UJI ASUMSI DAN POSHOC PADA MANCOVA SATU KOVARIAT

Disusun untuk Memenuhi Tugas Mata Kuliah Statistika

Dosen Pengampu : Prof. Dr. Dhoriva Urwatul Wutsqa, M.S.

Kelompok 10

Ziyana Endah Khairun Nisa’ (21309251001)

Wiwik Haryanti (21309251004)

PROGRAM MAGISTER PENDIDIKAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI YOGYAKARTA
2021
 ANALISIS KOVARIANS MULTIVARIAT

A. Pendahuluan
Analysis of Covariance (ANCOVA) adalah analisis yang menggabungkan Regression
Analysis dan Analysis of Variance (ANOVA). Di dalam ANCOVA, terdapat satu atau lebih
variabel yang disebut variabel concomitant atau covariate. Jika unit-unit eksperimen (subjek)
mempunyai karakteristik-karakteristik yang dapat mempengaruhi hasil, maka karakteristik-
karakteristik itu mungkin merupakan covariate. Variabel yang dapat dipilih menjadi kovariat
adalah variabel yang mempunyai hubungan yang signifikan dengan variabel dependen.
Tujuan utama untuk mengikutsertakan covariate di dalam sebuah eksperimen adalah untuk
mendapatkan presisi (precision)/ketelitian dengan cara mengurangi varians error. Tujuan lainnya
adalah untuk mengurangi efek dari faktor yang tidak terkontrol dalam eksperimen tersebut.
Sebagai contoh dalam penelitian non eksperimen tujuan ANCOVA adalah untuk menyesuaikan
mean postes dengan perbedaan kondisi awal antar kelompok. Pada MANCOVA terdapat beberapa
variabel terikat dan covariate dalam analisisnya.
B. Mancova Satu Kovariat
Model umum persamaan MANCOVA untuk satu kovariat dan satu dependent variabel
adalah :
𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝛽(𝑋𝑖𝑗 − 𝑋) + 𝜀𝑖𝑗, 𝑖 = 1,2, . . . , 𝐾 𝑗 = 1,2, . . . , 𝑛𝑖
Atau 𝑌𝑎𝑑𝑗.𝑖𝑗 = 𝑌𝑖𝑗 − 𝛽(𝑋𝑖𝑗 − 𝑋. . ) = 𝜇 + 𝜏𝑖 + 𝜀𝑖𝑗,

𝑖 = 1,2, . . . , 𝐾 𝑗 = 1,2, . . . , 𝑛𝑖
dimana :
𝑌𝑖𝑗 = vektor pengamatan variabel dependen pengamatan ke j kelompok ke i
𝜏𝑖 = pengaruh treatment (perlakuan) (vektor) kelompok ke i
𝑋𝑖𝑗 = nilai pengamatan kovariat yang bersesuaian dengan 𝑦𝑖𝑗
𝛽 = slope pada regresi hubungan 𝑋𝑖𝑗 dan 𝑌𝑖𝑗
𝜀𝑖𝑗, = vector error pada pengamatan ke j kelompok ke i
K = banyak kelompok
𝑛𝑖 = banyak pengamatan pada kelompok ke i
𝜀𝑖𝑗 berdistribusi normal multivariat 𝑁𝑝 (0, 𝛴)
Asumsi yang harus dipenuhi dalam MANCOVA adalah ada hubungan linear antara
kovariat 𝑋𝑖𝑗 ( 𝑋𝑖𝑗1 dan 𝑋𝑖𝑗2, untuk dua kovariat) dan vector variabel dependen 𝑌𝑖𝑗 , slope persamaan
regresi antara kelompok sama. Dengan demikian terdapat tiga uji hipotesis dalam ancova, yang
ketiga adalah untuk menguji adanya pengaruh perlakuan atau perbedaan mean yang disesuaikan
dengan kovariat antar kelompok.
1. Hipotesis untuk menguji apakah terdapat pengaruh dari treatments (perlakuan)
terhadap variabel dependen Y, yaitu :
𝐻0 : 𝜏1 = 𝜏2 = . . . = 𝜏𝐾 , 𝐻1 : ∃𝜏𝑖 ≠ 𝜏𝑖′
atau
𝐻0 : 𝜇1 𝑎𝑑𝑗 = 𝜇2 𝑎𝑑𝑗 = . . . = 𝜇𝐾 𝑎𝑑𝑗 , 𝐻1 : ∃𝜇𝑖 ≠ 𝜇𝑖′
Untuk menguji hipotesis tersebut, digunakan langkah-langkah sebagai berikut
∧ (𝑥, 𝑦) |𝐸|/|𝐸 + 𝐻|
∧1 = =
∧ (𝑥) |𝐸𝑋𝑋 |/|𝐸𝑋𝑋 + 𝐻𝑋𝑋 |
Tolak 𝐻0 ∧1 <∧𝑎,𝑝,𝑣𝐾−1, 𝑁−𝐾−𝑞
Catatan : Perhitungan matriks E sama dengan matriks W matriks dan matriks H sama dengan
matriks B tapi dengan melibatkan semua variabel Y dan X.
2. Hipotesis untuk menguji apakah terdapat hubungan linier antara dependent variable
dan covariate adalah
𝐻0 : 𝛽 = 0
(tidak ada hubungan linear antara kovariat 𝑋𝑖𝑗 ( 𝑋𝑖𝑗1 dan 𝑋𝑖𝑗2, untuk dua kovariat) dan vector
variabel dependen 𝑌𝑖𝑗 )
𝐻1 : 𝛽 ≠ 0
(ada hubungan linear antara kovariat 𝑋𝑖𝑗 ( 𝑋𝑖𝑗1 dan 𝑋𝑖𝑗2, untuk dua kovariat) dan vector
variabel dependen 𝑌𝑖𝑗 )
Untuk menguji hipotesis tersebut, digunakan langkah-langkah berikut ini :
(1) Hitung matriks SSCP1 (E1), SSCP2 (E2),...,SSCPK (EK), K = banyaknya grup/kelompok
𝑆𝑦𝑦 𝑆𝑦𝑥
(2) Hitung matriks 𝐸 = 𝐸1 + 𝐸2 +. . . +𝐸𝐾 = [ ]
𝑆𝑥𝑦 𝑆𝑥𝑥
Hitung
−1
|𝐸𝑌𝑌 −𝐸𝑌𝐾 𝐸𝑋𝑋 𝐸𝑥𝑦 |
2
∧2 = |𝐸𝑌𝑌 |

Tolak H0 jika ∧2 <∧𝑎,𝑝,𝑞,𝑣𝐸 −𝑞, 𝑣𝐸 = 𝑁 − 𝐾

3. Hipotesis untuk menguji apakah slope sama untuk semua groups (perlakuan) atau bisa
disebut uji kesamaan slopes (homogeneity of slopes), yaitu :
 𝐻0 : 𝛽1 = 𝛽2 = . . . = 𝛽𝐾
𝐻1 : ∃𝛽𝑖 ≠ 𝛽𝑖′
|𝐸𝑦𝑦 −∑𝐾
𝑖=1
−1
𝐸𝑦𝑥𝑖 .𝐸𝑋𝑥 𝐸𝑥𝑦𝑖 |
∧3 = −1 𝐸 |
|𝐸𝑦𝑦 −𝐸𝑦𝑥 𝐸𝑥𝑥 𝑥𝑦

Tolak 𝐻0 jika ∧3 < ∧(0,05:𝑝:𝑞(𝐾−1):𝑁−𝐾(1+𝑞))

4. Pos Hoc dalam Mancova
a) Uji Lanjut dengan Uji t
Hipotesis :
𝐻0 : 𝜇𝑖𝑗(𝑎𝑑𝑗) = 𝜇𝑖𝑗′(𝑎𝑑𝑗)
𝐻1 : 𝜇𝑖𝑗(𝑎𝑑𝑗) ≠ 𝜇𝑖𝑗′(𝑎𝑑𝑗)
𝐻1 : 𝜇𝑖𝑗(𝑎𝑑𝑗) > 𝜇𝑖𝑗′(𝑎𝑑𝑗)
𝐻1 : 𝜇𝑖𝑗(𝑎𝑑𝑗) < 𝜇𝑖𝑗′(𝑎𝑑𝑗)
Statistik Uji :
𝑌̅𝑖𝑙(𝑎𝑑𝑗) − 𝑌̅𝑖′𝑙(𝑎𝑑𝑗)
𝑡=
̅ +𝑋̅𝑖′ ) 2
1
√𝑀𝑆𝑆𝑎𝑑𝑗 (𝑛𝑖 1
+ 𝑛𝑖′ + (𝑋𝑖𝐸𝑥𝑥 )

Dengan
𝐸𝑥𝑦1
𝑌̅𝑖𝑙(𝑎𝑑𝑗) = 𝑌̅𝑖𝑙 − 𝛽̂ 𝑤 =
𝐸𝑥𝑥
𝑆𝑆𝑎𝑑𝑗
𝑀𝑆𝑆𝑎𝑑𝑗 =
𝑛1 + 𝑛2 + ⋯ + 𝑛𝐾 − 𝐾 − 1
(𝐸𝑋𝑌𝑙 )2
𝑆𝑆𝑎𝑑𝑗 = 𝐸𝑌𝑙𝑌𝑙 −
𝐸𝑋𝑋
Kriteria : 𝐻0 ditolak jika
1. |𝑡| > 𝑡𝑎,𝑛1+𝑛2+⋀+𝑛𝐾−𝐾−1
2

2. 𝑡 > 𝑡𝑎,𝑛1+𝑛2+⋀+𝑛𝐾−𝐾−1
2

3. 𝑡 < 𝑡𝑎,𝑛1+𝑛2+⋀+𝑛𝐾−𝐾−1
2

Untuk t Bonferoni nilai 𝑡𝑎,𝑛1+𝑛2+⋀+𝑛𝐾 −𝐾−1 diganti 𝑡 𝑎

,𝑛 +𝑛2 +⋀+𝑛𝐾 −𝐾−1
2 𝑝𝐾(𝐾−1) 1
b) Uji Fisher Hayter
𝑌̅𝑖𝑙(𝑎𝑑𝑗) − 𝑌̅𝑖′𝑙(𝑎𝑑𝑗)
𝑞𝐹𝐻 =
2
√𝑀𝑆𝑆𝑎𝑑𝑗 ( 1 + 1′ + (𝑋̅𝑖 +𝑋̅𝑖′ ) )/2
𝑛𝑖 𝑛𝑖 𝐸𝑥𝑥

Kriteria :
𝐻0 ditolak jika |𝑞𝐹𝐻| > 𝑞𝑎,𝐾−1,𝑛1+𝑛2+⋀+𝑛𝐾−𝐾−1
c) Uji Bryant-Paulson
𝑌̅𝑖𝑙(𝑎𝑑𝑗) − 𝑌̅𝑖′𝑙(𝑎𝑑𝑗)
𝐵𝑃 =
2
√𝑀𝑆𝑆𝑎𝑑𝑗 ( 1 + 1′ + (𝑋̅𝑖 +𝑋̅𝑖′ ) )/2
𝑛𝑖 𝑛𝑖 𝐸𝑥𝑥

Kriteria :
𝐻0 ditolak jika |𝑞𝐹𝐻| > 𝑞𝑎,1,𝐾,𝑛1+𝑛2+⋀+𝑛𝐾−𝐾−1
d) Uji Scheffe
(𝑌̅𝑖𝑙(𝑎𝑑𝑗) − 𝑌̅𝑖 ′ 𝑙(𝑎𝑑𝑗) )2
𝐹𝑆 = 2
1 (𝑋̅𝑖 +𝑋̅𝑖′ )
𝑀𝑆𝑆𝑎𝑑𝑗 (𝑛𝑖 + 𝑛𝑖1′ + 𝐸𝑥𝑥
)
Kriteria :
𝐻0 ditolak jika |𝐹𝑆| > (𝐾 − 1) ∗ 𝐹𝑎,𝐾−1,𝑛1 +𝑛2 +⋀+𝑛𝐾 −𝐾−1
 CONTOH KASUS DAN PEMBAHASAN

Seorang peneliti ingin mengetahui apakah terdapat pengaruh antara metode diskusi dengan
metode discovery learning terhadap hasil belajar IPA dan Matematika siswa. Pengambilan sampel
dilakukan secara acak. Dalam hal ini, terdapat variabel lain yaitu IQ yang diperkirakan dapat
mempengaruhi pencapaian prestasi belajar mahasiswa. Data nilai siswa pada mata pelajaran IPA
dan Matematika adalah sebagai berikut:

Diskusi Discovery Learning

No IQ IPA Matematika IQ IPA Matematika
1 106 35 36 105 51 45
2 97 54 56 88 78 73
3 102 31 31 90 75 81
4 95 58 59 106 57 49
5 103 35 34 87 79 85
6 94 62 62 107 61 52
7 104 39 36 85 88 80
8 104 41 38 83 85 91
9 92 68 66 82 87 93
10 90 45 41 83 94 84
11 105 47 42 108 71 59
12 90 74 70 84 98 82
Keterangan:
𝑁 = (𝑛1 + 𝑛1 ) 𝑁 = 24
𝑛1 = 𝑛 𝑔𝑟𝑜𝑢𝑝 1 𝑛1 = 12
𝑛2 = 𝑛 𝑔𝑟𝑜𝑢𝑝 2 𝑛2 = 12
𝑛 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑎𝑚𝑝𝑒𝑙 𝑡𝑖𝑎𝑝 𝑔𝑟𝑜𝑢𝑝
𝑝 = banyak variabel terikat 𝑝=2
𝑞 = banyak variabel kovariat 𝑞=1
𝐾 = banyak kelompok 𝐾=2
 UJI ASUMSI PADA MANCOVA SATU KOVARIAT
Langkah-langkah sebelum melakukan perhitungan uji, adalah sebagai berikut:
1. Menghitung matriks SSCP1 (E1), SSCP2 (E2), ... , SSCPK (EK)
W1/SSCP Model 1 (E1) W2/SSCP Model 2 (E2)
2160,91667 2123,417 -742,5 2392 2433 -1534
2123,41667 2144,917 -730,5 2433 3179,66667 -1896,333333
-742,5 -730,5 413 -
1534 -1896,3333 1264,666667
𝑆𝑦𝑦 𝑆𝑦𝑥
2. Menghitung matriks SSCP total (Matriks S) = SSCP1 + SSCP2 = [ ]
𝑆𝑥𝑦 𝑆𝑥𝑥
Wtotal/E (Matriks S) Keterangan
4552,916667 4556,416667 -2276,5 Syy Syx
4556,416667 5324,583333 -2626,8333 Sxy Sxx
-2276,5 -2626,833333 1677,66667

𝑇𝑦𝑦 𝑇𝑦𝑥
3. Menghitung matriks T = [ ]
𝑇𝑥𝑦 𝑇𝑥𝑥
Matriks SSCP (T) = E + B total Keterangan
9228,95833 8785,792 -3309,42 Tyy Tyx
8785,79167 9149,958 -3561,08 Txy Txx
-3309,4167 -3561,08 1905,833

Selanjutnya dilakukan uji berikut:

a. Menguji perbedaan rata-rata populasi (hipotesis untuk menguji apakah terdapat
pengaruh dari treatments (perlakuan-perlakuan) terhadap variabel terikat (Y)
1) Hipotesis Statistik :
𝐻0 : 𝜇1𝑎𝑑𝑗 = 𝜇2𝑎𝑑𝑗 = ⋯ 𝜇𝑗𝑎𝑑𝑗

𝐻1 : ∃𝜇𝑖 ≠ 𝜇𝑖′
2) Hipotesis Penelitian
H0 = Rata-rata populasi tidak berbeda secara signifikan
H1 = Rata-rata populasi berbeda secara signifikan
3) Taraf Signifikansi : 𝑎 = 0,05
4) Kriteria Keputusan :
⋀(𝑥, 𝑦) |𝑊|/|𝑇| |𝑆|/|𝑇|
⋀1 = = =
⋀(𝑥) |𝑆𝑥𝑥|/|𝑇𝑥𝑥| |𝑆𝑥𝑥|/|𝑇𝑥𝑥|
5) Perhitungan
a) Cari |𝑆|
Matriks 𝑆
Matriks S/Wtotal
4552,91667 4556,417 -2276,5
4556,41667 5324,583 -2626,83
-2276,5 -2626,83 1677,667

Maka nilai |𝑆| =1324654005

b) Cari |𝑇|
Matriks 𝑇
Matriks T = S + B
9228,95833 8785,792 -3309,42
8785,79167 9149,958 -3561,08
-3309,4167 -3561,08 1905,833

Maka nilai |𝑇| = 3660936713

c) Cari |𝑆𝑥𝑥|
Matriks 𝑆𝑥𝑥
1677,66667
Maka nilai |𝑆𝑥𝑥| = 1677,66667
d) Cari |𝑇𝑥𝑥|
Matriks
𝑇𝑥𝑥
1905,83333

Maka nilai |𝑇𝑥𝑥| = 1905,83333

e) Hitung nilai ⋀1 dengan menggunakan rumus:
⋀(𝑥,𝑦) |𝑆|/|𝑇|
⋀1 = = |𝑆𝑥𝑥|/|𝑇𝑥𝑥|
⋀(𝑥)

⋀1 = 0,4110451
f) Cari nilai ⋀(0,05;𝑝;𝐾−1;𝑁−𝐾−𝑞) = ⋀(0,05;2;1;21) = 0,741
g) Kesimpulan
Karena ⋀1 = 0,4110451 < ⋀(0,05;2;1;21) = 0,741 maka H0 ditolak, artinya rata-rata
populasi berbeda secara signifikan.
b. Uji Linearitas
1) Hipotesis Statistik :
𝐻0 : 𝛽 = 0
𝐻1 : 𝛽 ≠ 0
2) Hipotesis Penelitian
H0 : Tidak ada hubungan linear antara IPA (Y1) dan Matematika Y2) dengan IQ (X)
H1 : Ada hubungan linear antara IPA (Y1) dan Matematika Y2) dengan IQ (X)
3) Taraf signifikansi : 𝑎 = 0,05
4) Statistik Uji :
|𝑆𝑦𝑦 −𝑆𝑦𝑦 −1 𝑆𝑥𝑦 |
⋀2 =
𝑆𝑦𝑦

5) Kriteria Keputusan :
6) 𝐻0 𝑑𝑖𝑡𝑜𝑙𝑎𝑘 𝑗𝑖𝑘𝑎 ∧2 =∧(𝑎;𝑝;𝑞;𝑉𝐸−𝑞 𝑉𝐸 = 𝑁 − 𝐾
7) Hitungan
a) Cari 𝑆𝑋𝑋 −1
𝑆𝑋𝑋 −1
0,000596066
b) Cari Matriks 𝑆𝑦𝑥 . 𝑆𝑥𝑥 −1

-1,35694417
-1,56576594
c) Cari Matriks 𝑆𝑦𝑥 . 𝑆𝑥𝑥 −1 . 𝑆𝑥𝑦
3089,0834 3564,466173
3564,466173 4113,006176
d) Cari Matriks 𝑆𝑦𝑦 − (𝑆𝑦𝑥 . 𝑆𝑥𝑥 −1 . 𝑆𝑥𝑦 )
1463,833267 991,9504934
991,9504934 1211,577157
e) Cari Matriks |𝑆𝑦𝑦 − (𝑆𝑦𝑥 . 𝑆𝑥𝑥 −1 . 𝑆𝑥𝑦 )|

|𝑆𝑦𝑦 − (𝑆𝑦𝑥 . 𝑆𝑥𝑥 −1 . 𝑆𝑥𝑦 )|

789581,1673
 f) Cari |𝑆𝑦𝑦 |

|𝑆𝑦𝑦 |
3481451,361
g) Hitung nilai ⋀2 dengan menggunakan rumus
|𝑆𝑦𝑦 −𝑆𝑦𝑦 −1 𝑆𝑥𝑦 |
⋀2 = 𝑆𝑦𝑦

⋀2 = 0,226796553
h) Cari nilai ⋀(0,05;𝑝;𝑞;𝑉𝐸−𝑞) = ⋀(0,05;2;1;21) = 0,741
i) Kriteria Uji H0 ditolak jika ⋀2 < ⋀(0,05;𝑝;𝑞;𝑉𝐸−𝑞)
j) Kesimpulan
Karena ⋀2 = 0,226796553 < ⋀(0,05;𝑝;𝑞;𝑉𝐸−𝑞) =⋀(0,05;2;1;21) = 0,741 maka H0 ditolak,
artinya ada hubungan linear antara variabel covariate (X) dan variabel dependen (Y1,
Y2)

c. Uji Asumsi Homogenitas Slops

1) Hipotesis Statistik :
𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝐾
𝐻1 : ∃𝛽𝑖 ≠ 𝛽𝑖′
2) Hipotesis Penelitian
H0 : Tidak ada perbedaan slope dari populasi kedua kelompok tersebut yaitu antara IPA
(Y1) dan Matematika Y2) (slope untuk kelompok homogen)
H1 : Ada perbedaan slope dari populasi kedua kelompok tersebut
3) Taraf signifikansi : 𝑎 = 0,05
4) Statistik Uji :
|𝑆𝑦𝑦 −∑𝐾 −1
𝑖=1 𝑆𝑦𝑥𝑖 𝑆𝑥𝑥𝑖 𝑆𝑥𝑦𝑖 |
⋀3 = |𝑆𝑦𝑦 −𝑆𝑦𝑥 𝑆𝑥𝑥 −1 −𝑆𝑥𝑦 |

5) Kriteria Keputusan :
𝐻0 𝑑𝑖𝑡𝑜𝑙𝑎𝑘 𝑗𝑖𝑘𝑎 ∧2 < ∧(𝑎;𝑝;𝑞(𝐾−1);𝑉𝐸−𝑞𝐾
6) Perhitungan
a) Cari Matriks 𝑆𝑦𝑥1 𝑆𝑥𝑥1 −1 𝑆𝑥𝑦1
 1334,882 1313,308
1313,308 1292,083
b) Cari Matriks 𝑆𝑦𝑥2 𝑆𝑥𝑥2 −1 𝑆𝑥𝑦2
1860,693 2300,191
2300,191 2843,5
c) Hitung Matriks ∑2𝑖=1 𝑆𝑦𝑥𝑖 𝑆𝑥𝑥𝑖 −1 𝑆𝑥𝑦𝑖
3195,575 3613,499
3613,499 4135,583
d) Cari Matriks 𝑆𝑦𝑦 − ∑2𝑖=1 𝑆𝑦𝑥𝑖 𝑆𝑥𝑥𝑖 −1 𝑆𝑥𝑦𝑖
1357,342 942,9172
942,9172 1189
e) Cari Matriks |𝑆𝑦𝑦 − ∑2𝑖=1 𝑆𝑦𝑥𝑖 𝑆𝑥𝑥𝑖 −1 𝑆𝑥𝑦𝑖 | =724786,9
f) Sebelumnya, sudah diketahui bahwa |𝑆𝑦𝑦 − (𝑆𝑦𝑥 . 𝑆𝑥𝑥 −1 . 𝑆𝑥𝑦 )| =789581,1673
g) Hitung nilai ⋀3 dengan menggunakan rumus
|𝑆𝑦𝑦 −∑2𝑖=1 𝑆𝑦𝑥𝑖 𝑆𝑥𝑥𝑖 −1 𝑆𝑥𝑦𝑖 |
⋀3 = |𝑆𝑦𝑦 −(𝑆𝑦𝑥 .𝑆𝑥𝑥 −1 .𝑆𝑥𝑦 )|

⋀3 = 0,917938
h) 𝐻0 𝑑𝑖𝑡𝑜𝑙𝑎𝑘 𝑗𝑖𝑘𝑎 ∧3 < ∧(𝑎;𝑝;𝑞(𝐾−1);𝑉𝐸−𝑞𝐾 = 0,730
i) Kesimpulan
Karena ∧3 = 0,917938 > ∧(𝑎;𝑝;𝑞(𝐾−1);𝑉𝐸−𝑞𝐾 = 0,730 maka H0 diterima, artinya tidak
ada perbedaan slope dari populasi ketiga kedua kelompok tersebut (slope untuk
semua kelompok homogen)
 POS HOC MANCOVA SATU KOVARIAT
Hal-hal yang perlu diketahui dalam melakukan uji lanjut pos hoc adalah
Mean Y1 Y2 X1
Grup 1 49,08333 47,583 98,500
Grup 2 77,00000 72,833 92,333
Mean total x 95,417

Y1 Y2 X1 Keterangan
W TOTAL/E TOTAL/MATRIKS S Syy Syx
Y1 4552,917 4556,417 -2276,5 Sxy Sxx
Y2 4556,417 5324,583 -2626,83333
X -2276,5 -2626,83 1677,666667

1463,833267 991,9504934
991,9504934 1211,577157
Uji lanjut atau uji pos hoc akan dilakukan ke dalam 4 cara yaitu :

1. Uji Lanjut dengan Uji t

Hipotesis :
𝐻0 : 𝜇𝑖𝑗(𝑎𝑑𝑗) = 𝜇𝑖𝑗′(𝑎𝑑𝑗)
𝐻1 : 𝜇𝑖𝑗(𝑎𝑑𝑗) ≠ 𝜇𝑖𝑗′(𝑎𝑑𝑗)
𝐻1 : 𝜇𝑖𝑗(𝑎𝑑𝑗) > 𝜇𝑖𝑗′(𝑎𝑑𝑗)
𝐻1 : 𝜇𝑖𝑗(𝑎𝑑𝑗) < 𝜇𝑖𝑗′(𝑎𝑑𝑗)
Statistik Uji :
𝑌̅𝑖𝑙(𝑎𝑑𝑗) − 𝑌̅𝑖′𝑙(𝑎𝑑𝑗)
𝑡=
̅ +𝑋̅𝑖′ ) 2
1
√𝑀𝑆𝑆𝑎𝑑𝑗 (𝑛𝑖 1
+ 𝑛𝑖′ + (𝑋𝑖𝐸𝑥𝑥 )

Dengan
𝐸𝑥𝑦1
𝑌̅𝑖𝑙(𝑎𝑑𝑗) = 𝑌̅𝑖𝑙 − 𝛽̂ 𝑤 =
𝐸𝑥𝑥
𝑆𝑆𝑎𝑑𝑗
𝑀𝑆𝑆𝑎𝑑𝑗 =
𝑛1 + 𝑛2 + ⋯ + 𝑛𝐾 − 𝐾 − 1
 (𝐸𝑋𝑌𝑙 )2
𝑆𝑆𝑎𝑑𝑗 = 𝐸𝑌𝑙𝑌𝑙 −
𝐸𝑋𝑋
Kriteria : 𝐻0 ditolak jika
1. |𝑡| > 𝑡𝑎,𝑛1 +𝑛2 +⋀+𝑛𝐾−𝐾−1
2

2. 𝑡 > 𝑡𝑎,𝑛1+𝑛2+⋀+𝑛𝐾−𝐾−1
2

3. 𝑡 < 𝑡𝑎,𝑛1+𝑛2+⋀+𝑛𝐾−𝐾−1
2

Untuk t Bonferoni nilai 𝑡𝑎,𝑛1+𝑛2+⋀+𝑛𝐾 −𝐾−1 diganti 𝑡 𝑎

,𝑛 +𝑛2 +⋀+𝑛𝐾 −𝐾−1
2 𝑝𝐾(𝐾−1) 1

a) Y1 Grup 1 dengan Y1 Grup 2

̅ ̅ 2
❖ Mencari (𝑋𝑖𝐸𝑥𝑥
+𝑋𝑖′ )
= 0,022667064
❖ 𝑆𝑆𝑎𝑑𝑗 = 1463,833267
1) Y1 Grup 1 dengan Y2 Grup 2
a) Hipotesis Statistik :
𝐻0 : 𝜇1(𝑎𝑑𝑗) = 𝜇2(𝑎𝑑𝑗)
𝐻0 : 𝜇1(𝑎𝑑𝑗) ≠ 𝜇2(𝑎𝑑𝑗)
b) Hipotesis Penelitian :
H0 : tidak ada perbedaan rata-rata yang signifikan antara Y1 pada Grup 1 dengan
Y1 pada Grup 2
H1 : Ada perbedaan rata-rata yang signifikan antara Y1 pada Grup 1 dengan Y1
pada Grup 2
c) Kriteria :
H0 ditolak jika |𝑡| > 𝑡𝑎,𝑛1+𝑛2+⋀+𝑛𝐾−𝐾−1
2

𝑆𝑆𝑎𝑑𝑗
❖ 𝑀𝑆𝑆𝑎𝑑𝑗 = 𝑛 = 69,70635
1 +𝑛2 +⋯+𝑛𝐾 −𝐾−1

𝐸𝑥𝑦1
❖ 𝛽̂ 𝑤 = = -1,356944168
𝐸𝑥𝑥
𝐸𝑥𝑦2
❖ 𝛽̂ 𝑤 = 𝐸 = -1,56577
𝑥𝑥

❖ 𝑌̅𝑖𝑙(𝑎𝑑𝑗) = 53,26724
❖ 𝑌̅𝑖′𝑙(𝑎𝑑𝑗) = 72,17222
 d) Perhitungan
𝑌̅𝑖𝑙(𝑎𝑑𝑗) −𝑌̅𝑖′𝑙(𝑎𝑑𝑗)
𝑡= ̅ ̅ 2
√𝑀𝑆𝑆𝑎𝑑𝑗 ( 1 + 1 +(𝑋𝑖 +𝑋𝑖′ ) )
𝑛𝑖 𝑛𝑖′ 𝐸𝑥𝑥

53,26724−72,17222
𝑡=
1 1
√69,70635 (12 +12 +0,022667064)

𝑡 = -5,203865
|𝑡| = 5,203865
e) Kesimpulan:
Karena |𝑡| = 5,203865 < 𝑡𝑡𝑎𝑏𝑒𝑙 = 2,413845 maka H0 diterima. Artinya tidak
ada perbedaan rata-rata yang signifikan antara Y1 pada grup 1 dengan Y1 pada
grup 2
b) Y2 Grup 1 dengan Y2 Grup 2
̅ ̅ 2
❖ Mencari (𝑋𝑖𝐸𝑥𝑥
+𝑋𝑖′ )
= 0,022667064
❖ 𝑆𝑆𝑎𝑑𝑗 = 1211,577157
a) Hipotesis Statistik :
𝐻0 : 𝜇1(𝑎𝑑𝑗) = 𝜇2(𝑎𝑑𝑗)
𝐻0 : 𝜇1(𝑎𝑑𝑗) ≠ 𝜇2(𝑎𝑑𝑗)
b) Hipotesis Penelitian :
H0 : tidak ada perbedaan rata-rata yang signifikan antara Y2 pada Grup 1 dengan
Y2 pada Grup 2
H1 : Ada perbedaan rata-rata yang signifikan antara Y2 pada Grup 1 dengan Y2
pada Grup 2
c) Kriteria :
H0 ditolak jika |𝑡| > 𝑡𝑎,𝑛1+𝑛2+⋀+𝑛𝐾−𝐾−1
2

𝑆𝑆𝑎𝑑𝑗
❖ 𝑀𝑆𝑆𝑎𝑑𝑗 = 𝑛 =57,69415035
1 +𝑛2 +⋯+𝑛𝐾 −𝐾−1

𝐸𝑥𝑦1
❖ 𝛽̂ 𝑤 = 𝐸 = -1,356944168
𝑥𝑥

𝐸𝑥𝑦2
❖ 𝛽̂ 𝑤 = 𝐸 = -1,56577
𝑥𝑥

❖ 𝑌̅𝑖𝑙(𝑎𝑑𝑗) = 51,76724452
❖ 𝑌̅𝑖′𝑙(𝑎𝑑𝑗) = 68,005555
 d) Perhitungan
𝑌̅𝑖𝑙(𝑎𝑑𝑗) −𝑌̅𝑖′𝑙(𝑎𝑑𝑗)
𝑡= ̅ ̅ 2
√𝑀𝑆𝑆𝑎𝑑𝑗 ( 1 + 1 +(𝑋𝑖 +𝑋𝑖′ ) )
𝑛𝑖 𝑛𝑖′ 𝐸𝑥𝑥

51,76724452−68,005555
𝑡=
1 1
√57,69415035 (12 +12 +0,022667064)

𝑡 = - 4,913160525
|𝑡| = 4,913160525
e) Kesimpulan:
Karena |𝑡| = 4,913160525 > 𝑡𝑡𝑎𝑏𝑒𝑙 = 2,413845 maka H0 ditolak. Artinya ada
perbedaan rata-rata yang signifikan antara Y2 pada grup 1 dengan Y2 pada grup
2

2. Uji lanjut dengan Fisher Hayter

𝑌̅𝑖𝑙(𝑎𝑑𝑗) −𝑌̅𝑖′ 𝑙(𝑎𝑑𝑗)
• Uji Fisher Hayter: q𝐹𝐻 =
2
1 ̅ −𝑋
1 (𝑋 ̅ ′)
𝑖 𝑖
√𝑀𝑆𝑆𝑎𝑑𝑗 ( + + )⁄2
𝑛𝑖 𝑛 ′ 𝐸𝑥𝑥
𝑖

Kriteria :𝐻0 ditolak jika |𝑞𝐹𝐻|>𝑞𝛼,𝐾−1,𝑛1+𝑛2+⋯+𝑛𝐾−𝐾−1

1) Y1 grup 1 dengan Y1 grup 2
a) Hipotesis Statistik :
𝐻0 : 𝜇1(𝑎𝑑𝑗) = 𝜇2(𝑎𝑑𝑗)
𝐻0 : 𝜇1(𝑎𝑑𝑗) ≠ 𝜇2(𝑎𝑑𝑗)
b) Hipotesis Penelitian :
H0 : tidak ada perbedaan rata-rata yang signifikan antara Y1 pada Grup 1 dengan
Y1 pada Grup 2
H1 : Ada perbedaan rata-rata yang signifikan antara Y1 pada Grup 1 dengan Y1
pada Grup 2
𝑌̅𝑖𝑙(𝑎𝑑𝑗) −𝑌̅𝑖′ 𝑙(𝑎𝑑𝑗)
𝑞𝐹𝐻 = =7.359376122
2
1 ̅ −𝑋
1 (𝑋 ̅ ′)
𝑖 𝑖
√𝑀𝑆𝑆𝑎𝑑𝑗 ( + + )⁄2
𝑛𝑖 𝑛 ′ 𝐸𝑥𝑥
𝑖

sedangkan 𝑞 table= 𝑞0.05,1,21 = 2,941

 Karena |𝑞𝐹𝐻| = 7.359376122 > 𝑞 tabel = 2,941maka H0 ditolak sehingga
dapat diartikan terdapat perbedaan rata-rata yang signifikan antara Y1 pada Grup
1 dengan Y1 pada Grup 2
2) Y2 grup 1 dengan Y2 grup 2
a) Hipotesis Statistik :
𝐻0 : 𝜇1(𝑎𝑑𝑗) = 𝜇2(𝑎𝑑𝑗)
𝐻0 : 𝜇1(𝑎𝑑𝑗) = 𝜇2(𝑎𝑑𝑗)
b) Hipotesis Penelitian :
H0 : tidak ada perbedaan rata-rata yang signifikan antara Y2 pada Grup 1
dengan Y2 pada Grup 2
H1 : Ada perbedaan rata-rata yang signifikan antara Y2 pada Grup 1 dengan
Y2 pada Grup 2
𝑌̅𝑖𝑙(𝑎𝑑𝑗) −𝑌̅𝑖′ 𝑙(𝑎𝑑𝑗)
𝑞𝐹𝐻 = = 6.948258248
2
1 ̅ −𝑋
1 (𝑋 ̅ ′)
𝑖 𝑖
√𝑀𝑆𝑆𝑎𝑑𝑗 ( + + )⁄2
𝑛𝑖 𝑛 ′ 𝐸𝑥𝑥
𝑖

sedangkan 𝑞 table= 𝑞0.05,1,21 = 2,941

Karena |𝑞𝐹𝐻| = 6.948258248 > 𝑞 tabel = 2,941maka H0 ditolak sehingga

dapat diartikan terdapat perbedaan rata-rata yang signifikan antara Y2 pada Grup
1 dengan Y2 pada Grup 2

3. Uji lanjut dengan Bryant- Paulson

𝑌̅𝑖𝑙(𝑎𝑑𝑗) −𝑌̅𝑖′ 𝑙(𝑎𝑑𝑗)
B𝑃 =
2
1 1 (𝑋 ̅ −𝑋
̅ ′)
𝑖 𝑖
√𝑀𝑆𝑆𝑎𝑑𝑗 ( + + )⁄2
𝑛𝑖 𝑛 ′ 𝐸𝑥𝑥
𝑖

Kriteria :𝐻0 ditolak jika |𝐵𝑃|>𝑞𝛼,1, 𝐾,𝑛1+𝑛2+⋯+𝑛𝐾−𝐾−1

1) Y1 grup 1 dengan Y1 grup 2
a) Hipotesis Statistik :
𝐻0 : 𝜇1(𝑎𝑑𝑗) = 𝜇2(𝑎𝑑𝑗)
𝐻0 : 𝜇1(𝑎𝑑𝑗) ≠ 𝜇2(𝑎𝑑𝑗)
 b) Hipotesis Penelitian :
H0 : tidak ada perbedaan rata-rata yang signifikan antara Y1 pada Grup 1 dengan
Y1 pada Grup 2
H1 : Ada perbedaan rata-rata yang signifikan antara Y1 pada Grup 1 dengan Y1
pada Grup 2
𝑌̅𝑖𝑙(𝑎𝑑𝑗) −𝑌̅𝑖′ 𝑙(𝑎𝑑𝑗)
𝐵𝑃 = =7.359376122
2
1 ̅ −𝑋
1 (𝑋 ̅ ′)
𝑖 𝑖
√𝑀𝑆𝑆𝑎𝑑𝑗 ( + + )⁄2
𝑛𝑖 𝑛 ′ 𝐸𝑥𝑥
𝑖

sedangkan 𝑞 tabel= 𝑞0.05,1,2,21 = 3,0175

Karena 𝐵𝑃 = 7.359376122 > 𝑞 tabel = 3,0175 maka H0 ditolak sehingga dapat

diartikan terdapat perbedaan rata-rata yang signifikan antara Y1 pada Grup 1
dengan Y1 pada Grup 2
2) Y2 grup 1 dengan Y2 grup 2
c) Hipotesis Statistik :
𝐻0 : 𝜇1(𝑎𝑑𝑗) = 𝜇2(𝑎𝑑𝑗)
𝐻0 : 𝜇1(𝑎𝑑𝑗) ≠ 𝜇2(𝑎𝑑𝑗)
d) Hipotesis Penelitian :
H0 : tidak ada perbedaan rata-rata yang signifikan antara Y2 pada Grup 1 dengan
Y2 pada Grup 2
H1 : Ada perbedaan rata-rata yang signifikan antara Y2 pada Grup 1 dengan Y2
pada Grup 2
𝑌̅𝑖𝑙(𝑎𝑑𝑗) −𝑌̅𝑖′ 𝑙(𝑎𝑑𝑗)
𝐵𝑃 = = 6.948258248
2
1 ̅ −𝑋
1 (𝑋 ̅ ′)
𝑖 𝑖
√𝑀𝑆𝑆𝑎𝑑𝑗 ( + + )⁄2
𝑛𝑖 𝑛 ′ 𝐸𝑥𝑥
𝑖

sedangkan 𝑞 table= 𝑞0.05,1,21 = 3,0175

Karena 𝐵𝑃 = 6.948258248 > 𝑞 tabel = 3,0175 maka H0 ditolak sehingga dapat

diartikan terdapat perbedaan rata-rata yang signifikan antara Y2 pada Grup 1
dengan Y2 pada Grup 2
4. Uji lanjut dengan Scheffe
2
(𝑌̅𝑖𝑙(𝑎𝑑𝑗) − 𝑌̅𝑖 ′ 𝑙(𝑎𝑑𝑗) )
𝑆=
1 1 (𝑋̅ − 𝑋̅ ′ )2
𝑀𝑆𝑆𝑎𝑑𝑗 (𝑛 + 𝑛 ′ + 𝑖 𝐸 𝑖 )
𝑖 𝑖 𝑥𝑥

Kriteria :𝐻0 ditolak jika |𝐹𝑆|>(𝐾 − 1)𝐹𝛼,𝐾−1,𝑛1+𝑛2+⋯+𝑛𝐾−𝐾−1

1) Y1 grup 1 dengan Y1 grup 2
a) Hipotesis Statistik :
𝐻0 : 𝜇1(𝑎𝑑𝑗) = 𝜇2(𝑎𝑑𝑗)
𝐻0 : 𝜇1(𝑎𝑑𝑗) ≠ 𝜇2(𝑎𝑑𝑗)
b) Hipotesis Penelitian :
H0 : tidak ada perbedaan rata-rata yang signifikan antara Y1 pada Grup 1 dengan
Y1 pada Grup 2
H1 : Ada perbedaan rata-rata yang signifikan antara Y1 pada Grup 1 dengan Y1
pada Grup 2
2
(𝑌̅𝑖𝑙(𝑎𝑑𝑗) −𝑌̅𝑖′ 𝑙(𝑎𝑑𝑗) )
𝐹𝑆 = 2 = 27.08020846
1 ̅ −𝑋
1 (𝑋 ̅ ′)
𝑖 𝑖
𝑀𝑆𝑆𝑎𝑑𝑗 ( + + )
𝑛𝑖 𝑛 ′ 𝐸𝑥𝑥
𝑖

sedangkan 𝐹 tabel= = (2 − 1)𝐹0.05,1,21 = 4,38075

Karena 𝐹𝑆 = 27.08020846 > 𝐹 tabel = 4,38075 maka H0 ditolak sehingga dapat

diartikan terdapat perbedaan rata-rata yang signifikan antara Y1 pada Grup 1
dengan Y1 pada Grup 2
2) Y2 grup 1 dengan Y2 grup 2
a) Hipotesis Statistik :
𝐻0 : 𝜇1(𝑎𝑑𝑗) = 𝜇2(𝑎𝑑𝑗)
𝐻0 : 𝜇1(𝑎𝑑𝑗) ≠ 𝜇2(𝑎𝑑𝑗)
b) Hipotesis Penelitian :
H0 : tidak ada perbedaan rata-rata yang signifikan antara Y2 pada Grup 1 dengan
Y2 pada Grup 2
H1 : Ada perbedaan rata-rata yang signifikan antara Y2 pada Grup 1 dengan Y2
pada Grup 2
 2
(𝑌̅𝑖𝑙(𝑎𝑑𝑗) −𝑌̅𝑖′ 𝑙(𝑎𝑑𝑗) )
𝐹𝑆 = 2 = 24.13914634
1 ̅ −𝑋
1 (𝑋 ̅ ′)
𝑖 𝑖
𝑀𝑆𝑆𝑎𝑑𝑗 ( + + )
𝑛𝑖 𝑛 ′ 𝐸𝑥𝑥
𝑖

sedangkan 𝐹 table= = (2 − 1)𝐹0.05,1,21 = 4,38075

Karena 𝐹𝑆 = 24.13914634 > 𝐹 tabel = 4,38075 maka H0 ditolak sehingga dapat

diartikan terdapat perbedaan rata-rata yang signifikan antara Y2 pada Grup 1
dengan Y2 pada Grup 2
 PROSEDUR PENYELESAIAN DENGAN SPSS

Terdapat dua cara untuk mengolah data menggunakan SPSS yaitu sebagai berikut:
CARA I. Olah Data Tidak Menggunakan Syntax SPSS
Langkah-langkah:
1. Input data
2. Analyze – General Linear Model – Multivariate
3. Masukan IPA (Y1), Matematika (Y2) ke Dependent Variables, IQ (X) ke Covariate (s), dan
Metode ke Fixed Factor (s).
4. Klik Model – Specify factorial diganti Custom
Type : Main effect lalu masukkan Metode ke Model dan X ke Model
Lalu Type diganti Interaction, masukkan Metode dan IQ secara bersamaan ke dalam Model.
Klik Continue.

5. Klik Options, pindahkan Metode ke Display Means for. Centang Descriptive statistics,
Parameter estimates, Homogenity tests.

6. Klik Continue – OK.

Interpretasi:
Perhatikan bahwa pada hasil multivariate test, nilai ⋀ Wilks lamda = 0.918, sig.of F = 0.443 >
0.05. dengan demikian H0 diterima atau dapat dikatakan bahwa tidak ada perbedaan slope dari
populasi kedua kelompok tersebut (slop untuk semua kelompok homogen)
CARA II. Olah Data dengan Syntax SPSS
Syntax MANCOVA satu kovariat (SPSS)
1. Buka program SPSS
2. Klik file, pilih new kemudian pilih syntax

3. Input data. Tulis sesuai dengan format di bawah ini

TITLE 'MULTIVARIATE ANALYSIS COVARIANCE'.

DATA LIST FREE/GPID Y1 Y2 X.

BEGIN DATA.

1 35 36 106

1 54 56 97

1 31 31 102

1 58 59 95

1 35 34 103

1 62 62 94

1 39 36 104
1 41 38 104

1 68 66 92

1 45 41 90

1 47 42 105

1 74 70 90

2 51 45 105

2 78 73 88

2 75 81 90

2 57 49 106

2 79 85 87

2 61 52 107

2 88 80 85

2 85 91 83

2 87 93 82

2 94 84 83

2 71 59 108

2 98 82 84

END DATA.

LIST.

MANOVA Y1 Y2 X BY GPID(1,2)/

ANALYSIS Y1 Y2 WITH X/

PRINT=PMEANS/

DESIGN/
ANALYSIS=Y1 Y2/

DESIGN=X, GPID, X BY GPID/

ANALYSIS=X.

Sehingga akan muncul tampilan berikut ini:

4. Setelah tampilannya lengkap (dari TITLE 'MULTIVARIATE ANALYSIS

COVARIANCE'. hingga ANALYSIS=X. ) selanjutnya klik Run selanjutnya pilih All
5. Selanjutnya akan didapatkan output sebagai berikut:

TITLE 'MULTIVARIATE ANALYSIS COVARIANCE'.

MULTIVARIATE ANALYSIS COVARIANCE
Interpretasi:
Berdasar hasil multivariate test, nilai Λ Wilks lamda = 0,22680 dan Sig. of F = 0,000 < 0,05.
Dengan demikian Ho ditolak atau dapat dikatakan bahwa terdapat hubungan linear yang
signifikan antara kovariat IQ(x) dengan variabel terikat Hasil belajar IPA dan Matematika (Y1
dan Y2)
Interpretasi:
Berdasar hasil multivariate test, nilai Λ Wilks lamda = 0,41105 dan Sig. of F = 0,000
< 0,05. Dengan demikian Ho ditolak atau dapat dikatakan rata-rata populasi berbeda
secara signifikan.

Interpretasi:
Berdasar hasil multivariate test, nilai Λ Wilks lamda = 0,91794 dan Sig. of F = 0,443> 0,05.
Dengan demikian Ho diterima atau dapat dikatakan tidak ada perbedaan slope dari semua
kelompok tersebut (semua kelompok homogen).
 UJI LANJUT / POS HOC DENGAN UJI T

Langkah-langkah :
1. Ulangi langkah 1-4
2. Klik EM Means, centang Compare main effect dan klik option hilangkan centang pada
descriptive statistics, parameter estimates, homogenity tests. Klik continue – OK
3. Hasil

Univariate Tests
Dependent Variable Sum of Squares df Mean Square F Sig.
IPA Contrast 2018,432 1 2018,432 28,956 ,000
Error 1463,833 21 69,706 MSSadj Y1
MTK Contrast 1284,434 1 1284,434 22,263 ,000
Error 1211,577 21 57,694 MSSadj Y2
The F tests the effect of Metode. This test is based on the linearly independent pairwise
comparisons among the estimated marginal means.

Estimates
95% Confidence Interval
Dependent Variable Metode Mean Std. Error Lower Bound Upper Bound
IPA 1,00 53,267a 2,491 48,087 58,447
2,00 72,816a 2,491 67,636 77,996
MTK 1,00 52,411a 2,266 47,699 57,124
2,00 68,006a 2,266 63,293 72,718
a. Covariates appearing in the model are evaluated at the following values: IQ = 95,4167.
Y adj

Interpretasi:
Perhatikan bahwa pada hasil pada Etimate, nilai Mean pada Y1:
1. Pada Metode1 = 53,267 merupakan nilai 𝑌𝑎𝑑𝑗1,
2. Pada Metode2 = 72,816 merupakan nilai 𝑌𝑎𝑑𝑗2 dan,
Sedangkan nilai Mean padaY2 1.
1. Pada Metode1 = 52,411 merupakan nilai 𝑌𝑎𝑑𝑗1, 2.
2. Pada Metode2 = 68,006 merupakan nilai 𝑌𝑎𝑑𝑗2 dan, 3.
Nilai tersebut merupakan nilai 𝑌𝑎𝑑𝑗𝑖
 Multivariate Testsa
Effect Value F Hypothesis df Error df Sig.
Intercept Pillai's Trace ,845 51,934b 2,000 19,000 ,000
Wilks' Lambda ,155 51,934b 2,000 19,000 ,000
Hotelling's Trace 5,467 51,934b 2,000 19,000 ,000
Roy's Largest Root 5,467 51,934b 2,000 19,000 ,000
Metode Pillai's Trace ,046 ,455b 2,000 19,000 ,641
Wilks' Lambda ,954 ,455b 2,000 19,000 ,641
Hotelling's Trace ,048 ,455b 2,000 19,000 ,641
Roy's Largest Root ,048 ,455b 2,000 19,000 ,641
IQ Pillai's Trace ,743 27,422b 2,000 19,000 ,000
Wilks' Lambda ,257 27,422b 2,000 19,000 ,000
Hotelling's Trace 2,886 27,422b 2,000 19,000 ,000
Roy's Largest Root 2,886 27,422b 2,000 19,000 ,000
Metode * IQ Pillai's Trace ,082 ,849b 2,000 19,000 ,443
Wilks' Lambda ,918 ,849b 2,000 19,000 ,443
Hotelling's Trace ,089 ,849b 2,000 19,000 ,443
Roy's Largest Root ,089 ,849b 2,000 19,000 ,443
a. Design: Intercept + Metode + IQ + Metode * IQ
b. Exact statistic
Tests of Between-Subjects Effects
Type III Sum of
Source Dependent Variable Squares df Mean Square F Sig.
Corrected Model IPA 7765,125a 2 3882,563 55,699 ,000
MTK 7938,381b 2 3969,191 68,797 ,000
Intercept IPA 6777,546 1 6777,546 97,230 ,000
MTK 8034,396 1 8034,396 139,258 ,000
Metode IPA 2018,432 1 2018,432 28,956 ,000
MTK 1284,434 1 1284,434 22,263 ,000
IQ IPA 3089,083 1 3089,083 44,316 ,000
MTK 4113,006 1 4113,006 71,290 ,000
Error IPA 1463,833 21 69,706 MSSadj Y1
MTK 1211,577 21 57,694
MSSadj Y2
Total IPA 104611,000 24
MTK 96151,000 24
Corrected Total IPA 9228,958 23
MTK 9149,958 23
a. R Squared = ,841 (Adjusted R Squared = ,826)
b. R Squared = ,868 (Adjusted R Squared = ,855)

Interpretasi:
Perhatikan bahwa hasil Test of between-Subjects Effects, nilai Mean Square pada Source Error
Y1= 69,706 dan Y2 = 57,694. Nilai tersebut merupakan nilai 𝑀𝑆𝑆𝑎𝑑𝑗 yang diperlukan dalam
perhitungan POS HOC (cek di dalam file excel).

Parameter Estimates
95% Confidence Interval
Dependent Lower
Variable Parameter B Std. Error t Sig. Bound Upper Bound
IPA Intercept 202,291 18,975 10,661 ,000 162,831 241,751
[Metode=1,00] -19,549 3,633 -5,381 ,000 -27,104 -11,994
[Metode=2,00] 0a . . . . .
IQ -1,357 ,204 -6,657 ,000 -1,781 -,933
MTK Intercept 217,406 17,262 12,594 ,000 181,506 253,305
[Metode=1,00] -15,594 3,305 -4,718 ,000 -22,468 -8,721
[Metode=2,00] 0a . . . . .
IQ -1,566 ,185 -8,443 ,000 -1,951 -1,180
a. This parameter is set to zero because it is redundant.

Interpretasi:
Perhatikan bahwa hasil Parameter Estimates, nilai 𝛽 pada Y1 untuk X = -1,357 dan untuk Y2 untuk
X = -1,566. Nilai tersebut merupakan nilai 𝛽w1 dan 𝛽w2 yang diperlukan dalam perhitungan POS
HOC (cek di dalam file excel).

Pairwise Comparisons
95% Confidence Interval for
Mean Differenceb
Dependent Difference (I- Lower
Variable (I) Metode (J) Metode J) Std. Error Sig.b Bound Upper Bound
IPA 1,00 2,00 -19,549* 3,633 ,000 -27,104 -11,994
2,00 1,00 19,549* 3,633 ,000 11,994 27,104

MTK 1,00 2,00 -15,594* 3,305 ,000 -22,468 -8,721

2,00 1,00 15,594* 3,305 ,000 8,721 22,468
Based on estimated marginal means
*. The mean difference is significant at the ,05 level.
b. Adjustment for multiple comparisons: Bonferroni.
Perhatikan bahwa pada hasil pada Pairwise Comparisons, nilai Sig pada Y1:
❖ Untuk Metode 1 dan Metode 2 yaitu 0,000 < 0,05 dengan demikian Ho ditolak atau dengan
kata lain ada perbedaan rata-rata yang signifikan antara Hasil Belajar IPA (Y1) pada
Metode 1 dan Hasil Belajar IPA (Y1) pada Metode 2.
Sedangkan nilai Sig pada Y2:
❖ Untuk Metode 1 dan Metode 2 yaitu 0,000 < 0,05 dengan demikian Ho ditolak atau dengan
kata lain ada perbedaan rata-rata yang signifikan antara Hasil Belajar Matematika (Y2)
pada Metode 1 dan Hasil Belajar Matematika (Y2) pada Metode 2.
UJI T :

1. Masukkan data seperti ini, Ulangi langkah 1-4

Pada Specify factorial diganti Full factorial. Continue – OK

2. Klik EM Means, masukkan metode ke Display Means for centang Compare main effect,
pada confidence interval adjustment pilih LSD (none), lalu klik continue
 3. Klik option, hilangkan centang descriptive statistics, parameter estimates, dan
homogentiy test, lalu OK
4. Hasil :

Kesimpulan :

1. Antara penelitian Metode 2 (Discovery Learning) dengan Metode 1 (Diskusi) memiliki

Mean Difference 19,549. Hal ini menunjukkan bahwa penelitian Metode 2 (Discovey
Learning) lebih baik dari penelitian 1 (Diskusi) ditinjau dari nilai IPA.
2. Antara penelitian Metode 2 (Discovery Learning) dengan Metode 1 (Diskusi) memiliki
Mean Difference 15,594. Hal ini menunjukkan bahwa penelitian Metode 2 (Discovey
Learning) lebih baik dari penelitian 1 (Diskusi) ditinjau dari nilai Matematika.
 Perhitungan Menggunakan R studio

Langkah-langkah pengolahan data menggunakan R studio adalah sebagai berikut:

1. Siapkan data di Excel untuk diolah menggunakan program R
2. Buka R studio
3. Ketikkan syntax berikut ini :
library(readxl)
data <- read_excel("C:/Users/wiwik haryanti/OneDrive/Gambar/Desktop/data10.xlsx")
View(data)
str(data)

#install package
install.packages("car")
install.packages("psych")
install.packages("effects")

#library(MASS)
library(car) #Type III
library(psych) #descriptive statistics
library(effects) #adjusted means

4. Menentukan nilai ⋀2
#Uji untuk wilks lambda 2
outcome=cbind(data10$Y1,data10$Y2)
model2=manova(outcome~Metode+X, data=data10)
summary(model2, test="Wilks", type="III")
 ▪ Interpretasi
𝐻0 ditolak jika p-value<0.05
Berdasar hasil di atas ditunjukkan bahwa untuk nilai p-value = 3.601e-07 < 0,05. Sehingga
𝐻0 ditolak, sehingga dapat disimpulkan ada/terdapat hubungan linear antara IQ (X) dengan
hasil belajar IPA (Y1) dan Matematika (Y2).
5. Menentukan nilai ⋀3
#Uji Kesamaan Slopes (untuk lambda 3)
model3=manova(outcome~X+Metode+X:Metode, data=data10)
summary(model3, test="Wilks", type="III")

▪ Interpretasi
𝐻0 ditolak jika p-value < 0,05
Berdasar hasil di atas dapat ditunjukkan bahwa bahwa untuk nilai p-value =0.4433317 >
0,05. Sehingga 𝐻0 diterima, dapat disimpulkan bahwa seluruh treatment/perlakuan
memiliki kesamaan slopes.
6. Menentukan nilai ⋀1
#Uji untuk wilks lambda 1
model1=manova(outcome~X+Metode, data=data10)
 summary(model1, test="Wilks", type="III")

• Interpretasi
𝐻0 ditolak jika p-value < 0,05
Berdasar hasil di atas dapat ditunjukkan bahwa untuk nilai p-value =0.0001377 < 0,05.
Sehingga 𝐻0 ditolak, artinya ada pengaruh dari treatment (perlakuan) terhadap nilai IPA
(Y1) dan Matematika (Y2).
Karena 𝐻0 ditolak sehingga dilanjutkan dengan uji post hoc yaitu sebagai berikut :

7. Uji Post Hoc

#PostHoc
library(multcomp)
data10$Metode<-as.factor(data10$Metode)
model_IPA<-aov(Y1 ~ X+Metode, data=data10)
postHocs1<-glht(model_IPA, linfct=mcp(Metode="Tukey"))
summary(postHocs1)
confint(postHocs1)
• Interpretasi
𝐻0 ditolak jika p-value <0,05. Berdasar hasil di atas dapat dilihat bahwa untuk nilai p-
value antara metode 2 dan 1 (0,0000245) < 0,05. Sehingga H0 ditolak, artinya ada
perbedaan yang signifikan antara metode 1 dan metode 2 dalam perolah nilai IPA.
Berdasar data dapat diketahui bahwa metode 2 lebih baik daripada metode 1 karena
nilainya lebih besar (dalam gambar confint bernilai 27.1038), bahkan setelah
menambahkan kovariat (IQ).
model_MTK<-aov(Y2 ~ Metode+X, data=data10)
postHocs2<-glht(model_MTK, linfct=mcp(Metode="Tukey"))
summary(postHocs2)
confint(postHocs2)

▪ Interpretasi
𝐻0 ditolak jika p-value <0,05. Dari hasil di atas dapat dilihat bahwa untuk nilai p-
value antara metode 2 dan 1 (0,000117) < 0,05. Sehingga H0 ditolak, artinya ada perbedaan
yang signifikan antara metode 1 dan metode 2 dalam perolah nilai Matematika.
Berdasar data dapat diketahui bahwa metode 2 lebih baik daripada metode 1 karena
nilainya lebih besar (dalam gambar confint bernilai 22.4677), bahkan setelah
menambahkan kovariat (IQ).
Referensi
Rencher, A. C. (1998). Multivariate statistical inference and applications (Vol. 338). Wiley-
Interscience.
Rosenblad, A. (2009). Applied multivariate statistics for the social sciences, by James P. Stevens.
Lampiran : Script R untuk mancova 1 covariat

#Install packages hanya sekali saja,

install.packages("car")
install.packages("psych")
install.packages("effects")
install.packages("jmv")
install.packages("multcomp")

#Untuk yang sudah install packages, langsung ke bawah ini

library(car) #Untuk perhitungan type III
library(psych) #Untuk perhitungan deskriptif stat
library(effects) #Untuk perhitungan adj means

#Import data yang ada di excel= klik import dataset from excel, dst, selanjutnya masukkan script
dibawah

str(Book1)
attach(Book1)
options(scipen=999)
library(readxl)
Book1 <- read_excel("~/Book1.xlsx")
View(Book1)

#Asumsi Linieritas Variabel Dependen dan Covariat

outcome=cbind(Book1$Y1, Book1$Y2)
model2=manova(outcome~Metode+X,data=Book1)
summary(model2,test="Wilks",type="III")

#Asumsi Homogenitas
model3=manova(outcome~X+Metode+X:Metode,data=Book1)
summary(model3,test="Wilks",type="III")
#Pengaruh Treatment terhadap Y
model1=manova(outcome~X+Metode,data=Book1)
summary(model1,test="Wilks",type="III")

#PostHOC
library(multcomp)
Book1$Metode <- factor(Book1$Metode)
model_IPA<-aov(Y1 ~ X+Metode, data=Book1)
posthoc1<-glht(model_IPA, linfct=mcp(Metode="Tukey"))
summary(posthoc1)
confint(posthoc1)

model_MTK<-aov(Y2 ~ X+Metode, data=Book1)

posthoc2<-glht(model_MTK, linfct=mcp(Metode="Tukey"))
summary(posthoc2)
confint(posthoc2)