A.

Two-Factor Anova
Two-Factor Anova disebut juga dengan Anava dua jalur atau Analisis Varian dua faktor.
Anava dua jalur memiliki perbedaan dibanding anova satu jalur. Perbedaannya adalah pada
jumlah variabel independen. Pada anova satu jalur hanya ada satu variabel independen,
sementara pada anova dua jalur ada dua atau lebih variabel independen (Witte & Witte,
2017:340). Lebih lanjut Martin & Bridgmon (2012:232) menyatakan bahwa Two-Factor
Anova digunakan untuk menguji efek dari dua variabel independen (efek utama) pada
variabel dependen yang sama dan juga memeriksa bagaimana variabel independen saling
mempengaruhi satu sama lain pada variabel dependen (efek interaksi). Tujuan dan pengujian
anova dua jalur ini adalah untuk mengetahui apakah ada pengaruh dari berbagai kriteria yang
diuji terhadap hasil yang diinginkan. Misalnya, seorang manajer teknik menguji apakah ada
pengaruh antara jenis pelumas yang dipergunakan pada roda pendorong dengan kecepatan
roda pendorong terhadap hasil penganyaman sebuah karung plastik pada mesin circular.
Beberapa persyaratan untuk Anava dua jalur (Triola, 2018:645) sebagai berikut:
a. Sampel berasal dari populasi yang berdistribusi normal
b. Populasi memiliki varian yang sama
c. Sampel merupakan simple random sample dari data kuantitatif
d. Sampel independen satu sama lain (prosedur ini tidak dapat diterapkan pada sampel
yang tidak independen)
e. Nilai sampel dikategorikan pada dua jalur (dasar dinamakan sebagai metode anova dua
jalur)
f. Memiliki jumlah sampel yang sama (disebut sebagai balanced design)
Martin & Bridgmon (2012:236) menyatakan bahwa ada tiga asumsi yang dipenuhi untuk
uji anova dua jalur: (1) Normality; (2) Homogeneity of variance; (3) Independence of
observations.
Dalam analisis varians dua jalur memiliki variabel kolom dan variabel baris. Dengan
demikian akan diperoleh interaksi antara kolom dengan baris. Analisis varian dua jalur
dengan menggunanakan data yang dikategorikan menurut dua faktor yang berbeda. Satu
faktor digunakan untuk mengatur data sampel dalam baris yang berbeda, sedangkan faktor
lainnya digunakan untuk mengatur data sampel dalam kolom yang berbeda (Triola,
2018:653).  

1
 Contoh rancangan penelitian dari SigitWidiyarto (2017:86) menggunakan anava dua jalur.
Pembelajaran/ Metode STAD (A1) Metode Konvensional
Penguasaan (A2)
Struktur Kalimat
Tinggi (B1) A1B1 A2B1
Rendah (B2) A1B2 A2B2
Keterangan:
A1B1 :Model pemberian metode STAD dan penguasaan struktur kalimat yang tinggi
A2B1 : Model pemberian metode konvensional dan penguasaan struktur kalimat yang
tinggi.
A1B2 : Model pemberian metode STAD dan Penguasaan struktur kalimat rendah
A2B1 : Model Pemberian metode konvensional dan penguasaan struktur kalimat yang
rendah.

Hopkins (1984:482) mengatakan bahwa jika desain anova dua faktor digunakan, tiga
hipotesis berbeda dapat diuji. Dua dari hipotesis ini berkaitan dengan pengaruh masing-
masing faktor yang dilihat secara terpisah (efek utama). Hipotesis-hipotesis ini pada dasarnya
sama dengan hipotesis untuk desain anova satu factor.

Hipotesis ketiga berkaitan dengan konsep baru dan penting, interaksi statistik yaitu,
apakah dua faktor beroperasi secara independen atau apakah ada interaksi antara faktor A dan
B. Menemukan apakah ada kombinasi tertentu dari kedua faktor yang menghasilkan efek
berbeda dari apa yang akan menjadi diharapkan dari dua faktor yang dipertimbangkan secara
terpisah.
Contoh hipotesis Anava dua jalur yang menggunakan model Numbered Heads Together
(NHT) dan Teams Games Tournament (TGT) serta kemampuan awal siswa yang selanjutnya
dilihat pengaruhnya terhadap hasil belajar matematika siswa.
i = 1,2;
1 : pembelajaran dengan model NHT
2 : pembelajaran dengan model TGT
j = 1,2,3;
1 : tingkat kemampuan awal tinggi
2 : tingkat kemampuan awal sedang
3 : tingkat kemampuan awal rendah
k = 1,2,3;
Tingkat Kemampuan(B1)/ Tinggi Sedang (B2) Rendah (B3)

2
Model Pembelajaran (A1) (B1)
Model NHT (A1) A1B1 A1B2 A1B3
Model TGT (A2) A2B1 A2B2 A2B3
Hipotesis
Terdapat tiga pasangan hipotesis yang dapat diuji dengan analisis variansi dua jalur,
a) H0A:αi = 0 , untuk setiap i = 1,2 (Tidak terdapat pengaruh model pembelajaran terhadap hasil
belajar)
H1A: αi ≠ 0, paling tidak ada satu αi yang tidak nol (Terdapat pengaruh model pembelajaran
terhadap hasil belajar)
b) H0B:βj = 0, untuk setiap j = 1,2,3 (Tidak terdapat pengaruh kemampuan awal terhadap hasil
belajar)
H1B: βi ≠ 0, paling tidak ada satu αi yang tidak nol (Terdapat pengaruh kemampuan awal
terhadap hasil belajar)
c) H0AB:(αβ)ij = 0, untuk setiap i = 1,2 dan j = 1,2,3 (Tidak terdapat interaksi antara model
pembelajaran dan kemampuan awal terhadap hasil belajar)
H0AB:(αβ)ij ≠ 0, paling tidak ada satu (αβ)ij yang tidak nol (Terdapat interaksi antara model
pembelajaran dan kemampuan awal terhadap hasil belajar)
Selanjutnya Triola (2018:646) menjabarkan langkah-langkah untuk Two-Way Analysis of
Variance
a. Langkah 1. Interaction Effect
Dalam analisis varian dua arah, mulailah dengan menguji hipotesis nol bahwa tidak
ada interaksi antara kedua faktor tersebut. Gunakan rumus untuk menemukan nilai P
yang sesuai dengan statistik uji berikut:
MS(interaction)
F=
MS (error)
Kesimpulan
 Jika nilai P kurang dari atau sama dengan 0.05 maka hipotesis nol ditolak
sehingga tidak ada interaksi
 Jika nilai P lebih besar dari 0.05, gagal untuk menolak hipotesis nol dari tidak
ada interaksi di antara dua faktor. Tidak ada interaksi efek.
b. Langkah 2. Row Column Effects
 Jika kesimpulan yang didapat ada pengaruh interaksi maka tidak perlu
memberikan tes tambahan (jika ada interaksi antara faktor, kita tidak perlu
mempertimbangkan pengaruh dari kedua faktor tanpa mempertimbangkan
faktor lain)

3
  Jika kesimpulan menyatakan bahwa tidak ada pengaruh antar hubungan, maka
dilanjutkan dengan dua tes hipotesis berikut:
a) Row factor (faktor baris)
Untuk faktor baris, uji hipotesis nol
H0: Tidak ada pengaruh dari dua faktor (rata-rata baris sama). Mencari
nilai P yang dengan uji statistik F= MS (row)/MS (error)
Kesimpulan
 Jika nilai P berdasarkan uji statistik lebih kecil atau sama dengan 0.05,
tolak hipotesis nol tidak ada pengaruh dari faktor baris. Kesimpulannya
terdapat pengaruh dari faktor baris.
 Jika nilai P lebih besar dari 0.05, gagal menolak hipotesis null tidak ada
pengaruh dari faktor baris. Kesimpulan bahwa tidak terdapat pengaruh
dari faktor baris
b) Coloumn Factor (faktor kolom)
Untuk faktor kolom, tes uji hipotesis nol
H0 : Tidak ada pengaruh faktor kolom (nilai rata-rata kolom sama).
Temukan nilai P dengan uji statistik F= MS (row)/MS (error)
Kesimpulan
 Jika nilai P lebih kecil dan atau sama dengan 0.05, tolak hipotesis
nol tidak ada pengaruh faktor kolom. Kesimpulan bahwa terdapat
pengaruh dari faktor kolom.
 Jika nilai P lebih besar dari 0.05, gagal tolak hipotesis nol bahwa
tidak ada pengaruh dari faktor kolom. Kesimpuan, tidak terdapat
pengaruh dari faktor kolom.

B. Three F Test
Rasio dalam ANOVA satu dan dua faktor selalu terdiri dari pembilang
(berbayang) yang mengukur beberapa aspek variabilitas antara kelompok atau sel dan
penyebut yang mengukur variabilitas dalam kelompok atau sel.

4
 Dalam anova dua jalur, tiga hipotesis nol yang berbeda diuji satu persatu dengan tiga
rasio F: Fcoloumn, Frow, Finteraction
C. Interaksi
Interaksi merupakan karakteristik yang menonjol dari penelitian anova dua jalur.
Seperti dicatat sebelumnya, dua faktor berinteraksi jika efek dari satu faktor pada
variabel dependen tidak konsisten untuk semua level sektor kedua. Interaksi antara dua
faktor dikatakan ada perbedaan jika rata-rata di antara tingkat faktor A tidak konstan
antar tingkat (kategori) faktor B. Sebagai contoh, anggaplah dua metode pengajaran
sedang disusun. Jika satu metode pengajaran lebih baik untuk anak laki-laki tetapi
metode lainnya lebih baik untuk anak perempuan, ada interaksi antara metode pengajaran
dan jenis kelamin. Dinyatakan secara berbeda jika perbedaan gender lebih besar dalam
kelas eksperimen daripada kelas kontrol, ada interaksi gender.
Pengaruh sederhana

5
 Gagasan interaksi dapat diklarifikasi lebih lanjut dengan melihat setiap baris efek sederhana.
Efek sederhana mewakili efek dari satu faktor pada ketergantungan variabel pada tingkat tunggal
dari faktor kedua. Jadi, di panel A, ada dua yang sederhana efek ukuran kerumunan, satu untuk
kondisi tidak berbahaya dan satu untuk kondisi berbahaya, dan kedua efek sederhana konsisten,
menunjukkan peningkatan reaksi rata-rata kali dengan ukuran kerumunan yang lebih besar. Oleh
karena itu, efek utama ukuran kerumunan dapat diartikan tanpa mengacu pada dua efek
simpelnya.

6
 Pada panel A dan B tidak menunjukkan interaksi karena masing-masing pengaruh
sederhana konsisten,searah dengan garis paralel. Interaksi terlihat pada panel C dan D karena
masing-masing tidak memiliki pengaruh sehingga membentuk garis divergen atau garis
silang. Berdasarkan hal tersebut interaksi merupakan produk dari pengaruh sederhana yang
tidak konsisten.

Mendeskripsikan Interaksi

Original interaction antara kerumunan dan tingkat bahaya dapat dijelaskan dalam dua
cara yang berbeda. Pertama, dapat dijelaskan pengaruh sederhana yang tidak konsisten
ukuran kerumunan untuk kondisi tidak berbahaya dan berbahaya yang ditunjukkan oleh panel
A. Kedua, kita dapat menggambarkan efek sederhana yang tidak konsisten dari tingkat
bahaya bagi orang banyak dari nol, dua dan empat orang sepert yang ditunjukkan oleh panel
B. Meskipun terdapat perbedaan konfigurasi pada panel A dan B pada dasarnya memiliki
interpretasi sama yaitu ukuran kerumunan mempengaruhi waktu reaksi untuk kondisi tidak
berbahaya.

Interaksi dan generalisasi: faktor berinteraksi

Misalkan sebuah penelitian menemukan bahwa metode matematika matematika, E,
menghasilkan skor yang lebih tinggi daripada matematika konvensional, C, pada inventori
sikap matematika untuk siswa yang cerdas, tetapi skor yang lebih rendah untuk kemampuan
belajar yang rendah. Tidak ada efek metode untuk siswa kemampuan rata-rata. Rata-rata sel
hipotetis diberikan untuk metode dengan kemampuan desain anova. Pikirkan bahwa jika
seseorang hanya menggunakan uji-t atau anova satu faktor, tidak ada efek pengobatan yang
akan ditemukan (dalam contoh hipotetis, rata-rata kedua metode akan sama). Tanpa desain
faktorial, orang akan keliru menyimpulkan bahwa kedua metode tidak membuat perbedaan
pada sikap matematika.

7
 Data di atas menunjukkan bahwa ada efek metode diferensial yang pasti tergantung
pada tingkat kemampuan siswa. Pertanyaan interaksi tidak secara langsung berkaitan dengan
apakah ada perbedaan keseluruhan dalam tingkat minat rata-rata, baik antara matematika
konvensional dan baru atau antara siswa yang cerdas, sedang, dan berkemampuan rendah.
Pertanyaan tentang perbedaan keseluruhan antara rata-rata baris atau kolom adalah
pertanyaan tentang efek utama. Hipotesis nol interaksi adalah bahwa pengaruh, jika ada,
faktor A tidak tergantung pada faktor B yang merupakan perbedaan rata-rata di antara tingkat
faktor A yang konstan di semua tingkatan F faktor B. Jika interaksi A x B tidak signifikan,
ada dukungan empiris untuk menggeneralisasi efek keseluruhan faktor A ke semua tingkat
faktor B tanpa kualifikasi. Harus jelas bahwa pemeriksaan interaksi antara perlakuan dan
berbagai karakteristik subjek (variabel personologis, atau organisme) berkontribusi secara
substansial terhadap generalisasi penelitian. Jika interaksi antara dua faktor (perlakuan dan
kemampuan) tidak signifikan, pola keseluruhan perbedaan rata-rata pada faktor A adalah
konstan untuk setiap tingkat faktor B. Dalam banyak penelitian, meskipun interaksi tidak
diharapkan. faktor tambahan sering dimasukkan sehingga generalisasi penelitian dapat dinilai
secara empiris. Jika suatu interaksi penting, itu harus digambarkan, seperti diilustrasikan dan
dipelajari sehingga interpretasi yang tepat dapat dibuat.
Menafsirkan efek utama ketika interaksi hadir
Interaksi dua faktor akan diilustrasikan dengan menggunakan data hipotetis dari sampel besar
dalam percobaan ESP. Ada dua level dari faktor perawatan: Level kelompok eksperimen (E), yang
menerima perlakuan secara mental dan tingkat 2 adalah kelompok kontrol (C). Misalkan dalam
penelitian ini bahwa hipotesis nol H 0:µ1= µ2 ditolak. Apakah harus mengikuti bahwa perlakuan E
berpengaruh pada semua orang dalam kelompok eksperimen? Tentu saja tidak, seperti yang terlihat
pada Gambar 18.4. Ada kemungkinan bahwa hanya orang-orang tertentu dalam kelompok E yang
sensitif terhadap perlakuan.

8
 Mungkin ESP adalah sifat terkait perbedaan jenis kelamin dan hanya muncul pada wanita.
Perhatikan bahwa jika perempuan ada ESP dan laki-laki tidak, rata-rata kelompok eksperimen yang
diambil secara keseluruhan akan melebihi rata-rata kelompok kontrol sebagai konsekuensi dari skor
perempuan yang lebih tinggi. Ini diilustrasikan secara grafis pada gambar 18.5 jika rata-rata
perempuan dalam kelompok eksperimen sebesar X́ 12 = 15.0 melebihi rata-rata perempuan dalam
kelompok kontrol sebesar X́ 22 = 5.0 , rerata kelompok eksperimen X́ 1 = 10.0 akan melebihi kelompok
kontrol rata-rata X́ 2 = 5.0 bahkan jika laki-laki di masing-masing E dan C memiliki rata-rata sama
sebesar X́ 11 = 5.0, X́ 21 = 5.0
Jika hanya satu faktor anova desain telah digunakan untuk data yang diwakili dalam gambar
18.5, hipotesis nol untuk pengaruh eksperimen H0:µE= µC akan ditolak berdasarkan rata-rata kelompok
eksperimen sebesar X́ E =10.0 dan kelompok kontrol sebesar X́ C =5.0. Namun, dengan menggunakan
perlakuan berdasarkan desain gender, kita dapat menemukan bahwa ESP adalah sifat terkait jenis
kelamin. Jika desain dua faktor digunakan, pola hasil akan diterangi, seperti yang digambarkan pada
Gambar 18.5. Karena efek perlakuan tidak sama untuk kedua jenis kelamin, ada perlakuan dengan
interaksi gender.
Dalam banyak studi penelitian, interaksi tidak terdeteksi karena kegagalan untuk menggunakan
desain faktorial, desain yang menguji efek dari dua atau lebih faktor (variabel independen) secara
bersamaan. Interaksi terjadi ketika perbedaan dalam baris berarti tidak sama di semua tingkat faktor
kolom dan sebaliknya. Perhatikan pada gambar 18.5 bahwa faktor perlakuan berinteraksi dengan
faktor jenis kelamin karena perkiraan yang tidak memihak dari efek perlakuan adalah 0 untuk laki-
laki ¿11- X́ 12 = 10) tetapi 10 untuk perempuan ¿12- X́ 22 = 10). Di sisi lain, jika µ11- µ21= µ12- µ22 yang
merupakan perbedaan antara E dan C berarti sama untuk pria dan wanita, tidak akan ada interaksi dua
faktor perlakuan dan jenis kelamin.
D. Variance Estimates
Masing-masing tiga F rasio dalam anova dua jalur didasarkan pada rasio yang melibatkan dua
estimasi varians. Pertama, rata-rata kuadrat dalam pembilang yang mencerminkan random error plus,

9
jika ada, setiap pengaruh perlakuan. Kedua, rata-rata kuadrat dalam penyebut hanya mencerminkan
kesalahan acak. Sebelum menghitung kuadrat rata-rata (estimasi varians), harus menghitung jumlah
kuadrat dan derajat kebebasan masing-masing.
Jumlah Kuadrat akan dibagi diantara berbagai komponen jumlah kuadratnya.

Penjelasan dan rumus untuk menghitung SS pada Anova dua jalur

a. Untuk jumlah total kuadrat

b. Jumlah antar sel

c. Jumlah dalam sel

d. Untuk jumlah kuadrat antar kolom

10
 e. Untuk jumlah garis antar garis

Jumlah interaksi kuadrat

Vardeman et al.(1986:580) menyatakan bahwa dalam uji Anova dua jalur, dipergunakan
rumus sebagai berikut:
Tabel 1. Analisis Ragam Klasifikasi Dua Jalur

Derajat kebebasan untuk SStotal sama dengan gabungan untuk semua ketentuan SS
yang tersisa yaitu:

E. Rincian: Mean Squares (Ms) Dan F Ratio

Setelah menemukan nilai untuk berbagai istilah SS dan df, maka selanjutnya dapat
menentukan nilai untuk istilah MS yang sesuai dan kemudian menghitung tiga rasio F menggunakan
rumus pada Tabel 18.5. Perhatikan bahwa MSwithin muncul dalam penyebut masing-masing dari ketiga
rasio F ini. MSwithin didasarkan pada variabilitas di antara sejumlah skor subjek yang diperlakukan
sama dalam setiap sel, dikumpulkan di semua sel. Terlepas dari apakah ada efek perlakuan, hal itu
hanya mengukur kesalahan acak.

11
 Tabel 2. Formulas Untuk Rata-rata Kuadrat (Ms) Dan F Ratio

F. Tabel Untuk Distribusi F

Untuk mendapatkan rasio F kritis dari distribusi pengambilan sampel F, lihat Tabel
Distribusi F. Ikuti prosedur yang biasa. To read either table, simply find the cell intersected
by the column with the degrees of freedom equal to dfbetween and by the row with the degrees of
freedom equal to dfwithin.
Contoh penelitian: Seorang psikolog sekolah ingin mengetahui pengaruh kekerasan
pada TV terhadap perilaku yang mengganggu siswa kelas di kelas satu. Dua siswa dari kelas
satu secara acak ditugaskan untuk masing-masing dari berbagai kombinasi dari dua faktor:
jenis program TV kekerasan (baik kartun atau kehidupan nyata) dan jumlah waktu menonton
(0, 1, 2, dan 3 jam). Subjek kemudian diamati dalam pengaturan ruang kelas yang dikontrol
dan diberi skor, yang mencerminkan jumlah total perilaku kelas yang mengganggu yang
ditampilkan selama periode tes.
Skor Agresi Siswa Kelas Satu

(a) Uji berbagai hipotesis nol pada tingkat signifikansi 0,05.

(b) Ringkas hasilnya dengan tabel ANOVA. Simpan tabel ringkasan ANOVA untuk
digunakan dalam pertanyaan berikutnya.

Jawab:
(a) Research Problem
Do viewing time and type of program, as well as the interaction of these two factors,
affect mean aggression scores?
Statistical Hypotheses

12
H0: no main effect for columns or viewing time (or μ0 = μ1= μ2 = μ3).
H0: no main effect for rows or type of program (or μ cartoon = μ real life).
H0: no interaction effect.
H1: H0 is false.
Decision Rule
Reject H0 at the .05 level of significance if Fcolumn ≥ 4.07, given 3 and 8 degrees of freedom; if
Frow ≥ 5.32, given 1 and 8 degrees of freedom; and if F interaction ≥ 4.07, given 3 and 8 degrees
of freedom.

Decision
Reject H0 for column (viewing time) at the .05 level of significance because F = 16.35
exceeds 4.07.
Interpretation
Viewing time affects mean aggression scores. There is no evidence, however, that mean
aggression scores are affected either by the type of program or the interaction between
viewing time and type of program.

G. Estimasi Ukuran Efek

Pada bab sebelumnya, versi squared curvilinear correlation, n2p , digunakan untuk
memperkirakan ukuran efek setelah varians karena perbedaan individu telah dihapus. Pada
dasarnya jenis analisis yang sama dapat dilakukan untuk setiap F signifikan dalam ANOVA
dua faktor. Setiap n2p memperkirakan proporsi varians total yang dikaitkan dengan salah satu
dari dua faktor atau interaksi setelah mengecualikan dari jumlah total varians yang diketahui
yang dikaitkan dengan komponen perlakuan yang tersisa.

13
 Dalam setiap kasus, dihitung dengan membagi jumlah kuadrat yang sesuai (baik
SScolumn, SSrow, atau SSinteraction) dengan jumlah total kuadrat yang dikurangi secara tepat, yaitu,
di mana masing-masing disebut sebagai parsial η2 untuk komponen itu karena efek dari dua
komponen perlakuan lainnya telah dieliminasi dari varians total yang dikurangi atau parsial.
Menurut pedoman yang diturunkan dari Cohen, efek estimasi untuk faktor atau interaksi apa
pun kecil jika mendekati 0,01; sedang jika kira-kira 0,09; dan besar jika kira-kira 0,25 atau
lebih. Misalnya, nilai 0,86 untuk (row) menunjukkan bahwa 0,86, atau 86 persen, dari total
variasi dalam waktu reaksi (tidak termasuk varians karena crowd siza dan interaction)
dijelaskan oleh perbedaan antara kondisi nondangerous dan dangerous, sementara hanya sisa
14 persen dari variasi waktu reaksi tidak dijelaskan oleh degree of danger.
Contoh permasalahan: Mengacu pada tabel ringkasan ANOVA dalam penelitian
pengaruh kekerasan pada TV terhadap perilaku yang mengganggu siswa kelas di kelas satu.
Perkirakan ukuran efek untuk setiap F signifikan dengan η2p .
Jawab:

H. Perbandingan Ganda
Tes HSD Tukey untuk beberapa perbandingan dapat digunakan untuk menunjukkan
perbedaan penting antara pasangan kolom atau baris berarti kapan pun efek utama yang
sesuai signifikan secara statistik dan interpretasi dari efek utama ini tidak dikompromikan
oleh inkonsistensi terkait dengan interaksi yang signifikan secara statistik. Untuk menentukan
HSD, maka dapat digunakan rumus sebagai berikut:

di mana HSD adalah nilai kritis positif untuk setiap perbedaan antara dua kolom atau baris
berarti; q adalah nilai yang diperoleh dari Tabel Critical Values Of q For Tukey’s Hsd Test;

14
MSwithin adalah kuadrat rata-rata untuk variabilitas dalam sel dalam ANOVA dua faktor; dan,
jika pasangan rata-rata kolom dibandingkan, n adalah rn, ukuran sampel untuk seluruh
kolom, atau jika pasangan rata-rata baris dibandingkan, n adalah cn, ukuran sampel untuk
seluruh baris. Untuk menentukan nilai q pada level .05 atau .01 (masing-masing angka terang
atau gelap) pada Tabel Critical Values Of q For Tukey’s Hsd Test, temukan sel berpotongan
dengan c atau r (tergantung pada apakah rata-rata kolom atau baris dibandingkan) dan oleh
dfwithin. Dfwithin adalah jumlah derajat kebebasan untuk variabilitas dalam kelompok, N - (c) (r),
yang sama dengan jumlah skor total dalam ANOVA dua faktor, N, minus jumlah total sel, (c)
(r).

I. Efek Sederhana
Setiap kali interaksi secara statistik signifikan, seperti dalam percobaan alarm asap
dua faktor, kita dapat melakukan tes Fse baru, di mana subskrip se adalah "efek sederhana,"
untuk mengidentifikasi ketidakkonsistenan antara efek sederhana yang menghasilkan
interaksi. Tes baru ini mengharuskan, dengan mengabaikan faktor kedua, ANOVA dua faktor
asli diubah menjadi beberapa ANOVA satu faktor atau efek sederhana. Pada dasarnya, uji
Fse untuk efek sederhana menguji efek dari satu faktor pada variabel dependen pada satu
tingkat faktor lain. Tabel 18.7 menunjukkan bagaimana total untuk percobaan dua faktor asli
dapat dilihat sebagai dua efek sederhana untuk crowd size (sesuai dengan masing-masing
dari dua baris dalam matriks dua faktor asli) dan tiga efek sederhana untuk degree of danger
(sesuai ke masing-masing dari tiga kolom). Ketidakkonsistenan di antara sekumpulan efek
sederhana biasanya dikaitkan dengan campuran tes Fse yang signifikan dan tidak signifikan
untuk sekumpulan efek sederhana tersebut. Di antara dua efek (baris) sederhana untuk crowd
size , uji Fse tidak signifikan (ns) untuk kondisi berbahaya tetapi signifikan (p <0,01) untuk
kondisi tidak berbahaya, menunjukkan bahwa waktu reaksi meningkat dengan crowd size
yang lebih besar untuk tidak berbahaya tetapi tidak untuk kondisi berbahaya. Pada dasarnya
kesimpulan yang sama disarankan oleh set lain dari tiga efek sederhana. Di antara efek
(kolom) sederhana ini untuk degree of danger , uji Fse untuk crowd size nol tidak signifikan
(ns), tetapi signifikan (p <0,01) untuk crowd size dua dan empat, menunjukkan bahwa waktu
reaksi untuk kondisi tidak berbahaya melebihi yang untuk kondisi berbahaya untuk crowd
size dua dan empat tetapi tidak untuk crowd size nol. Biasanya, tidak perlu menguji kedua
set efek sederhana, seperti yang dilakukan di atas demi kelengkapan. Sebagai gantinya, uji
hanya satu set, lebih disukai yang tampaknya menggambarkan interaksi signifikan yang
terbaik.

15
Uji Langsung untuk Efek Sederhana
Tes Fse baru untuk efek sederhana sangat mirip dengan uji F untuk efek utama yang
sesuai dalam ANOVA dua faktor. Tingkat derajat kebebasannya sama, seperti istilah dalam
penyebutnya, MSwithin. Hanya istilah dalam pembilang, MSse, harus disesuaikan untuk
memperkirakan variabilitas yang terkait dengan hanya satu baris atau satu kolom. Rasio
untuk setiap efek sederhana, Fse berbunyi:

di mana MSse mewakili kuadrat rata-rata untuk variasi setiap sel rata-rata dalam satu baris
(atau satu kolom) tentang rata-rata keseluruhan atau besar untuk seluruh baris (atau kolom)
dan MSwithin mewakili kuadrat rata-rata untuk variasi semua skor tentang sarana sel mereka
untuk seluruh matriks dua faktor. (Didasarkan pada semua skor, MSwithin berfungsi dalam
istilah penyebut sebagai estimasi terbaik kesalahan acak.) Derajat kebebasan untuk
pembilang rasio efek sederhana Fse adalah sama dengan yang untuk rasio efek utama F yang
sesuai, yaitu, dfbetween, yang sama dengan c - 1 atau r - 1, jumlah grup (yaitu, jumlah kolom
atau baris) dalam efek sederhana dikurangi satu. Tingkat kebebasan untuk penyebut rasio F se
efek sederhana adalah sama dengan yang untuk rasio dua faktor F, yaitu, dfwithin,

Menghitung Fse
Mari kita hitung Fse untuk efek sederhana crowd size untuk kondisi nondangerous
(yaitu, untuk baris kedua pada Tabel 18.7). Karena MSwithin sudah dihitung dan sama dengan

16
5.33, kita dapat berkonsentrasi pada perhitungan SSse, ketika dibagi dengan derajat
kebebasannya, memberikan nilai untuk MSse. Rumus komputasi untuk SSse berbunyi:

di mana SSse sekarang menandakan jumlah kuadrat untuk efek sederhana; T 2se mewakili total
kuadrat untuk setiap sel dalam satu baris (atau satu kolom); G2se mewakili total keseluruhan
untuk semua sel di seluruh baris (atau kolom); n sama dengan ukuran sampel untuk setiap sel;
dan Nse sama dengan ukuran sampel total untuk seluruh baris (atau kolom).

Ketika total dari baris kedua pada Tabel 18.7 diganti menjadi Persamaan sebagai berikut,
berbunyi:

Mengingat bahwa derajat kebebasan untuk MSse (crowd size di nondangerous) sama dengan
jumlah kolom minus satu, yaitu, c - 1 = 3 - 1 = 2, maka

yang signifikan (p <0,01) karena 11,63 melebihi nilai 10,92 pada Tabel Distribusi F untuk
tingkat signifikansi 0,01, diberikan kebebasan 2 dan 6 derajat. Pada dasarnya menggunakan
prosedur yang sama, kita juga dapat menetapkan bahwa efek sederhana crowd size
dangerous (yaitu, baris pertama pada Tabel 18.7), tidak signifikan (ns) karena F se (crowd size
dangerous) = 0,38, lagi dengan 2 dan 6 derajat kebebasan. Hasil tes yang berbeda-satu, yang
signifikan, yang lain tidak signifikan memberikan dukungan statistik untuk hasil penting dari
studi alarm asap, yaitu, bahwa waktu reaksi cenderung meningkat dengan crowd size untuk
tidak berbahaya tetapi tidak untuk kondisi berbahaya.

Tes HSD Tukey untuk Berbagai Perbandingan

Jika efek sederhana signifikan dan melibatkan lebih dari dua kelompok, uji HSD
Tukey, sebagaimana didefinisikan dalam Persamaan 18.4, dapat digunakan untuk
mengidentifikasi pasangan cara sel yang berbeda secara signifikan. Ketika menggunakan

17
Persamaan 18.4, n dalam penyebut selalu mengacu pada ukuran sampel dari sarana yang
dibandingkan, yaitu, dalam kasus efek sederhana, ukuran sampel untuk setiap sel rata-rata.
Kalau tidak, semua pergantian sama apakah Anda menguji efek sederhana atau efek utama.
Karena efek sederhana untuk crowd size di tidak berbahaya adalah signifikan dan melibatkan
lebih dari dua kelompok, uji HSD Tukey dapat digunakan. Konsultasikan Tabel Critical
Values Of q For Tukey’s Hsd Test, diberikan c (atau k) = 3 untuk tiga sel dalam efek
sederhana dan dfwithin = 6, untuk menemukan nilai q untuk tingkat 0,01. Mengganti nilai untuk
q = 6.33, MSwithin = 5.33, dan n = 2 ke dalam Persamaan 18.4:

Diberi nilai 10, 17, dan 21 untuk waktu reaksi rata-rata untuk kondisi nondangerous dengan
crowd size nol, dua, dan empat orang, masing-masing, perbedaan yang signifikan (p <0,01)
terjadi antara waktu reaksi rata-rata dalam kondisi nondangerous. Untuk crowd size nol dan
empat orang karena perbedaan rata-rata yang diamati, 21 - 10 = 11, melebihi nilai HSD
10,32. Perbedaan signifikan "garis batas" (dalam margin pembulatan p <0,05) terjadi antara
waktu reaksi rata-rata dalam kondisi tidak berbahaya untuk kerumunan nol dan dua orang
karena perbedaan rata-rata yang diamati, 17 - 10 = 7, hanya sedikit kurang dari nilai HSD
7,07. (Nilai ini diperoleh dari persamaan HSD di atas, diberikan q = 4,34 dari tingkat 0,05
dari Tabel Critical Values of q For Tukey’s Hsd Test,.)

Memperkirakan Ukuran Efek

Seperti yang telah kita lihat, efek sederhana yang signifikan dengan lebih dari dua
kelompok dapat dianalisis lebih lanjut dengan uji HSD Tukey. Perbedaan yang signifikan
antara pasangan pada gilirannya memiliki ukuran efeknya diperkirakan dengan Cohen d,
sebagaimana didefinisikan dalam Persamaan berikut.

di mana d adalah perkiraan ukuran efek standar; X́ 1 dan X́ 2 adalah pasangan dari kuadrat rata-
rata yang sangat berbeda; dan √ MS within, akar kuadrat dalam-grup untuk ANOVA dua
faktor, mewakili standar deviasi sampel.

18
Untuk memperkirakan ukuran efek standar untuk perbedaan signifikan antara rata-rata untuk
kondisi nongerous dengan crowd size nol dan empat, masukkan X́ 4 - X́ 0 = 11 dan MSwithin =
5,33 dalam persamaan di atas dan pecahkan untuk d:

yang merupakan efek yang sangat besar, setara dengan hampir lima standar deviasi. Untuk
memperkirakan ukuran efek standar untuk perbedaan signifikan antara rata-rata untuk kondisi
nondangerous dengan crowd size nol dan dua orang, masukkan X́ 2 - X́ 0 = 7 dan MSwithin =
5.33 dalam persamaan di atas dan pecahkan untuk d:

yang juga merupakan efek yang sangat besar, setara dengan tiga standar deviasi. Biasanya,
nilai d yang sedemikian besar, serta nilai yang besar untuk η2p dalam contoh saat ini, tidak
akan diperoleh dengan data nyata. Data fiktif untuk percobaan alarm asap dipilih untuk
mengtahui berbagai efek dalam ANOVA dua faktor, termasuk interaksi dengan efek
sederhana yang signifikan, menggunakan ukuran sampel yang sangat kecil.
J. Tinjauan: Flow Chart Untuk Dua Faktor Anova
Gambar 18.5 menunjukkan langkah-langkah yang harus diambil ketika Anda
menganalisis data untuk ANOVA dua faktor. Setelah tabel ringkasan ANOVA diperoleh,
fokuslah pada panel kiri Gambar 18.5 untuk interaksi. Jika interaksi ini signifikan, perkirakan
ukuran efeknya dengan η2p dan lakukan uji F se untuk setidaknya satu set efek sederhana.
Biasanya, interaksi yang signifikan akan diterjemahkan ke dalam campuran efek sederhana
yang signifikan dan tidak signifikan. Selanjutnya, menganalisis efek sederhana yang
signifikan dengan tes HSD dan tes HSD signifikan dengan perkiraan ukuran efeknya, d.
Selanjutnya, fokus pada panel kanan untuk efek utama. Lanjutkan dengan perkiraan
tambahan untuk η2p dan d, dan dengan uji HSD, hanya jika interpretasi dari efek utama yang
signifikan tidak dikompromikan oleh interaksi yang signifikan.
K. Laporan dalam Pustaka
Hasil tes untuk percobaan alarm asap dapat dilaporkan sebagai berikut:

Tabel berikut menunjukkan waktu reaksi rata-rata untuk merokok untuk

subjek sebagai fungsi dari ukuran kerumunan (nol, dua, dan empat orang) dan
tingkat bahaya (tidak berbahaya dan berbahaya):

19
 GAMBAR 18.5 Flow Chart untuk ANOVA dua faktor

Waktu reaksi rata-rata meningkat dengan ukuran kerumunan [F (2, 6) = 6.75, MSE =
5.33, p <.05, η2p = .69]; mereka lebih besar untuk tidak berbahaya daripada untuk
kondisi berbahaya [F ((1, 6) = 36.02, p <.01, η2p = .86], tetapi temuan ini harus
memenuhi syarat karena interaksi yang signifikan [F (2, 6) = 5.25, p <.05, η2p = .64]
Analisis efek sederhana untuk ukuran kerumunan menegaskan bahwa waktu reaksi
meningkat dengan ukuran kerumunan untuk kondisi tidak berbahaya [ F se (2, 6) =
11.63, p < 0,01] tetapi tidak untuk kondisi berbahaya [ F se (2, 6) = 0,38, ns].
Selanjutnya, dibandingkan dengan waktu reaksi rata-rata 10 dalam kondisi tidak
berbahaya dengan nol orang, waktu reaksi rata-rata 17 pada non -kondisi berbahaya
dengan dua orang secara signifikan lebih lama (HSD = 7.07, p = .05, d = 3.03), dan
waktu reaksi rata-rata 21 dalam kondisi tidak berbahaya dengan empat orang juga
secara signifikan lebih lama (HSD = 10.32, p <0,01, d = 4,76). Untuk meringkas,
waktu reaksi rata-rata meningkat di hadapan kerumunan dua atau empat orang dalam
kondisi tidak berbahaya tetapi tidak dalam kondisi berbahaya.

Laporan ini mencerminkan penggunaan umum dari perkiraan nilai-p daripada tingkat
signifikansi tetap. Kuadrat galat (atau dalam-grup), MSE = 5.33, hanya muncul untuk F tests

20
awal karena sama untuk semua F tests yang tersisa. Ekspresi p = .05 (bukan p <.05)
mencerminkan signifikansi batas yang disebutkan sebelumnya dari X 2 −X 0=7 , diberi nilai
kritis HSD = 7.07.

L. Asumsi-Asumsi
-Asumsi untuk uji F dalam ANOVA dua faktor sama dengan asumsi untuk ANOVA
satu faktor. Semua populasi yang mendasari (untuk setiap kombinasi pengobatan atau sel)
diasumsikan terdistribusi normal, dengan varian yang sama. Seperti halnya ANOVA satu
faktor, Anda tidak perlu terlalu khawatir tentang pelanggaran terhadap asumsi ini, terutama
jika semua ukuran sel sama dan masing-masing sel cukup besar (lebih besar dari sekitar 10).
Jika tidak, dalam hal yang tidak biasa Anda menemukan keberangkatan yang menyolok dari
normalitas atau kesamaan varian, bacalah buku statistik yang lebih maju.
Pentingnya Ukuran Sampel yang Sama
Sejauh mungkin, semua sel dalam studi dua faktor harus memiliki ukuran sampel
yang sama. Jika tidak, pada tingkat bahwa ukuran sampel tidak sama dan desain yang
dihasilkan kurang seimbang, tidak hanya pelanggaran asumsi yang lebih serius, tetapi
masalah interpretasi dapat terjadi. Jika Anda harus menganalisis data berdasarkan ukuran
sampel yang tidak sama — mungkin karena mata pelajaran yang hilang, kerusakan peralatan,
atau kesalahan perekaman — buatlah buku statistik yang lebih canggih.

M. Jenis Lainnya dari ANOVA

Studi satu dan dua faktor tidak menguras kemungkinan untuk ANOVA. Misalnya,
Anda bisa menggunakan ANOVA untuk menganalisis hasil studi tiga faktor dengan tiga
variabel independen, tiga interaksi 2 arah, dan satu interaksi 3 arah. Selanjutnya, terlepas dari
jumlah faktor, setiap mata pelajaran dapat diukur berulang kali di semua tingkat satu atau
lebih faktor. Meskipun konsep dasar yang dijelaskan dalam transfer buku ini hampir utuh
untuk berbagai macam desain penelitian yang lebih rumit, prosedur komputasi tumbuh lebih
kompleks, dan interpretasi hasil seringkali lebih sulit. Desain penelitian yang rumit, yang
membutuhkan penggunaan jenis ANOVA yang kompleks, menyediakan alat yang kuat bagi
penyelidik yang terampil untuk mengevaluasi situasi yang rumit. Namun, dalam keadaan apa
pun, studi seharusnya tidak dinilai hanya karena kompleksitas desain dan analisis statistiknya.
Gunakan desain dan analisis yang paling tidak rumit yang akan menjawab pertanyaan
penelitian Anda.

21
Ringkasan
Sebelum analisis statistik apa pun, dan khususnya sebelum analisis kompleks seperti
ANOVA dua faktor, sering kali membantu untuk membentuk kesan awal dengan menyusun
grafik dari berbagai efek yang mungkin.
Dalam ANOVA dua faktor, tiga hipotesis nol diuji dengan tiga F ratio yang berbeda.
Pembilang dari masing-masing F ratio mengukur aspek yang berbeda dari variabilitas antara
sel: variabilitas antara kolom, variabilitas antara baris, dan setiap variabilitas yang tersisa
antara sel karena interaksi. Pembilang dari masing-masing F ratio mengukur beberapa
komponen antara variabilitas dan mencerminkan kesalahan acak ditambah efek pengobatan
terkait. Penyebut masing-masing F ratio mengukur variabilitas dalam sel dan selalu hanya
mencerminkan kesalahan acak.
Dua faktor berinteraksi jika efeknya yang sederhana tidak konsisten. Interaksi muncul
sebagai fitur yang paling mencolok dari ANOVA dua faktor.
Setiap kali F signifikan secara statistik, hitung parsial eta-kuadrat, η2p , untuk
memperkirakan ukuran efek.
Diberikan efek utama yang signifikan - tidak terganggu oleh interaksi yang signifikan
- Tes HSD Tukey dapat digunakan untuk menunjukkan perbedaan antara pasangan rata-rata
kolom atau pasangan rata-rata baris.
Diberikan interaksi yang signifikan, uji F se dapat digunakan untuk mengidentifikasi
efek sederhana yang signifikan dan tidak signifikan. Efek sederhana yang signifikan dapat
dianalisis lebih lanjut dengan uji HSD Tukey untuk beberapa perbandingan.
Ukuran efek untuk setiap perbandingan signifikan yang melibatkan dua cara dapat
diperkirakan dengan Cohen d.
Asumsi untuk uji F dalam ANOVA dua faktor adalah sama dengan asumsi untuk
ANOVA satu faktor. Sejauh mungkin, semua sel dalam studi dua faktor harus memiliki
ukuran sampel yang sama.
Selain itu menurut (Triola, 2018) beberapa hal yang perlu diperhatikan dalam
melakukan Procedure Two-Way ANOVA adalah:
1. Untuk setiap sel, nilai sampel berasal dari populasi dengan distribusi yang
mendekati normal. (Prosedur ini kuat terhadap penyimpangan yang wajar dari
distribusi normal.)
2. Populasi memiliki varian yang sama (atau standar deviasi). (Prosedur ini kuat,
terhadap keberangkatan yang masuk akal dari persyaratan varians yang sama.)

22
3. Sampel adalah sampel acak sederhana dari data kuantitatif.
4. Sampel tidak tergantung satu sama lain. (Prosedur ini tidak berlaku untuk sampel
yang tidak independen.)
5. Nilai sampel dikategorikan dua cara. (Ini adalah dasar untuk nama metode:
analisis varian dua arah.)
6. Semua sel memiliki jumlah nilai sampel yang sama. (Ini disebut desain yang
seimbang.)

23
 DAFTAR PUSTAKA
Hopkins, G. V. G. & K. D. (1984). Statistical Methods in Education and Psychology Second
Edition. Prentice-Hall.
Martin, W. E., & Bridgmon, K. D. (2012). Quantitative and statistical research methods
From hypothesis to results. Josey Bass.
SigitWidiyarto. (2017). PengaruhMetode Student Teams Achievement Division (STAD) dan
Pemahaman Struktur Kalimat terhadap KeterampilanMenulis Narasi. Lectura: Jurnal
Pendidikan, 8(1), 82–89. https://doi.org/https://doi.org/10.31849/lectura.v8i1.285
Triola, M. F. (2018). Elementary Statistics. Pearson.
Vardeman, S. B., Walpole, R. E., Myers, R. H., Miller, I., & Freund, J. E. (1986). Probability
and Statistics for Engineers and Scientists.Probability and Statistics for Engineers. In \.
Pearson Ed.
Witte, R. S., & Witte, J. S. (2017). Statistics, 11th Edition. John Wiley & Sons,John Wiley &
Sons,.

24