ANALISIS VARIAN MAJEMUK/ MULTIPLE ANALYSIS OF

VARIANCE (MANOVA)

Untuk Memenuhi Tugas Matakuliah

Statistik Inferensial
Yang dibimbing oleh Bapak Dr. Supriyono Koes Handayanto, M.Pd., M.A

Oleh Kelompok 2

Ahmad Suryadi (180321864507)

Dionisius Bukifan (180321864536)
Gilang Adi Permana (180321864541)
M. Syaiful Rizal Wicakson (180321864519)

UNIVERSITAS NEGERI MALANG

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
PROGRAM STUDI PENDIDIKAN FISIKA
OKTOBER 2019

1
 KATA PENGANTAR

Puji syukur atas kehadirat Tuhan Yang Maha Esa yang telah memberikan rahmat,
kesempatan serta hidayah-Nya sehingga makalah ini dapat diselesaikan sesuai tepat waktu
sesuai rencana. Makalah ini ditulis dengan tujuan untuk memberikan informasi kepada
pembaca mengenai salah satu jenis statistik inferensial yang dapat digunakan sebagai statistic
inferensial. Analisis statistic yang ditulis dalam makalah ini adalah multivariate analysis of
variance (MANOVA). Makalah ini kami susun dalam rangka menyelesaikan tugas mata
kuliah metodologi penelitian.
Kami menyadari bahwa makalah ini belum sempurna maka saran dan kritik yang
membangun dari pembaca sangat diharapkan demi perbaikan makalah ini menjadi lebih baik.
Atas saran dan kritiknya kami ucapkan terima kasih.

Malang, 29 Oktober 2019

Penulis

i
 ii

DAFTAR ISI

KATA PENGANTAR................................................................................................................i
DAFTAR ISI.............................................................................................................................ii
BAB I PENDAHULUAN
A. Latar Belakang.................................................................................................................1
B. Rumusan Masalah............................................................................................................1
BAB II PEMBAHASAN
A. Teori dan Asumsi MANOVA..........................................................................................1
1. Teori.............................................................................................................................1
2. Asumsi-asumsi MANOVA..........................................................................................2
B. One-way MANOVA........................................................................................................5
1. Teori.............................................................................................................................5
2. Contoh Perhitungan Manual.........................................................................................6
3. Contoh Perhitungan dengan SPSS.............................................................................11
C. Two-way MANOVA.....................................................................................................17
1. Teori dan Contoh Two way MANOVA.....................................................................17
DAFTAR PUSTAKA..............................................................................................................23

ii
 1

BAB I
PENDAHULUAN

A. Latar Belakang
Perbedaan statistik lebih dari dua kelompok dapat dilihat dengan melakukan uji
Analysis of varianve (ANOVA). Uji ANOVA seperti hanya dilakukan jika hendak
membandingkan tiga kelompok berdasarkan satu variable dependen. Sebagai contoh,
melihat perbedaan hasil belajar pada tiga kelas yang telah diajar dengan tiga metode
yang berbeda. Uji ini sulit dilakukan jika terdapat lebih dari satu variable dependen,
meskipun kitat tetap dapat melakukan ANOVA terpisah untuk setiap variable
dependen. Mengapa MANOVA digunakan sebagai pengganti beberapa ANOVA
adalah untuk meningkatkan keakuratan perhitungan. Semakin banyak tes yang kita
lakukan pada data yang sama, maka semakin kita mengembangkan tingkat kesalahan
perhitungan. Semakin banyak variabel dependen yang telah diukur, semakin banyak
ANOVA yang perlu dilakukan dan semakin besar peluang untuk membuat kesalahan
Tipe I.
Berdasarkan penjelasan ringkas di atas, diperlukan analisis MANOVA untuk
kasus tertentu. Oleh karena itu, makalah ini dibuat sebagai bahan informasi dalam
memilih dan melakukan uji statistik komparatif dengan karakteristik tertentu.

B. Rumusan Masalah
Berdasarkan latar belakang di atas, dikembangkan beberapa rumusan masalah
sebegai berikut:
1. Bagaimana teori dan asumsi dasar MANOVA?
2. Bagaiamana melakukan uji One-way MANOVA secara manual maupun
menggunakan program?
3. Bagaiamana melakukan uji Two-way MANOVA dengan menggunakan program?

1
 BAB II
PEMBAHASAN

A. Teori dan Asumsi MANOVA

1. Teori
MANOVA adalah perluasan multivariate dari analisis ANOVA.
MANOVA merupakan metode statistik untuk mengeksplorasi hubungan
diantara beberapa variable independen yang berjenis kategorikal (bisa data
nominal atau ordinal) dengan beberapa variable dependen yang berjenis metric
(bisa data interval atau rasio). Disebut multivariate karena terdapat lebih dari
satu variable terikat. Tujuan MANOVA yaitu untuk mengetahui apakah ada
perbedaan yang nyata pada variable-variabel dependen antar-anggota sebuah
grup (variable independen). MANOVA dirancang untuk melihat beberapa
variable dipenden (hasil) secara bersamaan dan juga uji multivariant (banyak
variable. Menurut Suryanto (1988: 86) analisis variansi itu disebut Analisis
Variansi Multivariat (MANOVA). Metode ANOVA dan MANOVA memiliki
konsep yang sama yaitu untuk menganalisis perbedaaan rata-rata secara
serempak antara dua kelompok atau lebih dan menganalisis hubungan atau
pengaruh variabel independen terhadap variable dependen. Perbedaannya
terletak pada jumah variable dependennya. Jumlah sampel pada MANOVA
sebaiknya 20 kasus per grup. Sebagai contoh , jika ada 3 grup , maka
sebaiknya ada 3×20=60 sampel.
Pada kasus multivariat, misal terdapat sekumpulan sampel acak yang
diambil dari setiap g populasi sebagai berikut:
Populasi 1 : X 11 , X 12 , … , X 1 n 1

Populasi 2 : X 21 , X 22 , … , X 2 n 2

Populasi g : X g 1 , X g 2 ,… , X gn g

terdapat tiga asumsi dasar yang diperlukan oleh sekumpulan sampel acak di
atas, yaitu:
1. X 11 , X 12 , … , X 1 n , (l = 1, 2, … ,g) adalah sampel acak berukuran nl dari suatu
l

populasi dengan rata - rata μl .

2. Matriks kovariansi antara g populasi sama.
3. Setiap populasi adalah normal multivariat.
 2

Sebelum dilakukan analisis variansi multivariat lebih lanjut, terlebih

dahulu akan diuji ketiga asumsi-asumsi dasar tersebut menyatakan bahwa dari
sekumpulan data multivariat X 11 , X 12 , … , X 1 n , (l = 1, 2, … ,g) merupakan sampel
l

acak berukuran n1 yang diambil dari suatu populasi dengan vektor rata-rata μl dan
saling bebas. Pernyataan ini adalah jelas tanpa perlu diuji karena untuk tujuan uji
perbedaan maka sekumpulan data multivariat dari setiap populasi harus diambil
secara acak dan saling bebas satu sama lain.

2. Asumsi-asumsi MANOVA
a. Uji Homogenitas Matriks
Uji Statistika diperlukan untuk menguji homogenitas matriks varians-
kovarians. Hipotesis H 0 :∑1=∑ 2=…=∑ g=∑ 0 dan H 1 : ada paling sedikit satu
diantara sepasang ∑l yang tidak sama. Jika dari masing-masing populasi
diambil sampel acak berukuran n yang saling bebas maka penduga tak bias
untuk ∑l adalah matriks Sl sedangkan untuk ∑ 0 penduga tak biasnya adalah S,
g g
1
S= ∑ ( n −1 ) Sl dengan N=∑ nl−g
N l =1 l
(2.1)
l =1

S pooled =
1
∑ ( nl −1 )
l
{
( n1−1 ) S1 + ( n 2−1 ) S 2+ ⋯
+ ( n g−1 ) S g } (2.2)

Dengan menggunakan persamaan (2.1) dan (2.2), selanjutnya didapatkan

statistik uji sebagai berikut :
g g
M =∑ ( nl−1 ) ln |S pooled|−∑ ( nl −1 ) ln|S l| (2.3)
l=1 l=1

u=¿ (2.4)

C = (1 – u)M

( )
2 g
2 p + 3 p−1 1 1
−1
C =1− ∑
6 ( p+1 ) ( g−1 ) ( nl−1 ) g

∑ ( nl−1 )
l=1
(2.5)
l =1

2
Daerah kritis tolak H0 jika nilai C-1 > χ ( 1 ( g−1) p ( p +1)) (α ) dan H0 gagal tolak jika
2

sebaliknya
 3

Dengan bantuan program SPSS, uji homogenitas matriks varians-

kovarians dapat dilakukan dengan Uji Box’s M. Jika nilai sig. > α, maka H 0
diterima sehingga dapat disimpulkan matriks varians-kovarians dari l-populasi
adalah sama atau homogen. Adapun langkah-langkah uji homogenitas varians-
kovarians menggunakan program SPSS 16 adalah sebagai berikut:
a. Dari worksheet, entry data dilakukan melalui Variable View dan Data View.
b. Dari menu utama SPSS dipilih menu Analyze, kemudian submenu General
Linear Mode dipilih Multivariat.
c. Setelah tampak dilayar tampilan window Multivariat, kemudian melakukan
entry variabel-variabel yang sesuai pada kotak Dependent Variables dan
Fixed Factor(s).
d. Selanjutnya Option dipilih Homogenitas test dan Continue, terakhir OK.

b. Uji Normalitas Multivariat

Metode statistika multivariat MANOVA mensyaratkan terpenuhinya

asumsi distribusi normalitas dengan hipotesis adalah H 0 : Data berdistribusi
normal multivariat dan H 1 : Data tidak berdistribusi normal multivariat.
Berdasarkan Teorema 2.2, jika X 1 , X 2 , … ., X p berdistribusi normal multivariat
2
maka ( X −μ )t ∑−1 ( X −μ ) berditribusi χ p . Berdasarkan sifat ini maka
pemeriksaan distribusi normal multivariat dapat dilakukan pada setiap populasi
dengan cara membuat q-q plot atau scatter-plot dari nilai
2 t −1
d i =( X i− X ) S ( X i− X ) , i=1 ,2 , … , n . Tahapan dari pembuatan q-q plot ini
adalah sebagai berikut (Johnson & Wichern, 2002: 187)

a) Tentukan nilai vektor rata-rata: X

b) Tentukan nilai matriks varians-kovarians: S
c) Tentukan nilai jarak mahalanobis atau kuadrat general setiap titik
pengamatan dengan vektor rata-ratanya
2 t −1
d i =( X i− X ) S ( X i− X ) , i=1 ,2 , … , n .
2 2 2 2
d) Urutkan nilai d 2⚪dari kecil ke besar: d (1 ) ≤ d (2) ≤ d(3) ≤ … ≤d (n) .
 4

i−1/2
e) Tentukan nilai pi= , i=1 , 2 ,… , n .
n
qi

f) Tentukan nilai qi sedemikian hingga ∫ f ( χ 2 ) d χ 2=p i atau

−∞

((
q i , p ( p i )= χ 2p n−i+
1
2) )
/n .

2
g) Buat scatter-plot d (i ) dengan q i
Jika scatter-plot ini cenderung membentuk garis lurus dan lebih dari
2 2
50% nilai d i ≤ χ p ( 0,50 ) , maka H 0 diterima artinya data berdistribusi normal
multivariat. Implementasi pembuatan q-q plot dari nilai
d 2i =( X i− X )t S−1 ( X i− X ) , i=1 , 2 ,… , n dalam macro MINITAB.
Pada Analisis Variansi Univariat, keputusan dibuat berdasarkan satu
statistika uji yaitu uji F yang nilainya ditentukan oleh hasil bagi dari dua rata-
rata jumlah kuadrat, sebagai taksiran hasil bagi taksiran variansi-variansi yang
bersangkutan. Pada Analisis Variansi Multivariat ada beberapa statistik uji
yang dapat digunakan untuk membuat keputusan, yaitu:
a) Pillai’s Trace. Statistik uji ini paling cocok digunakan meskipun asumsi
homogenitas matriks varians-kovarians tidak dipenuhi, ukuran-ukuran
sampel kecil, dan jika hasil-hasil dari pengujian bertentangan satu sama lain
yaitu jika ada beberapa vektor rata-rata yang berebda sedangkan yang lain
tidak. Semakin tinggi nilai statistik Pillai’s Trace, pengaruh terhadap model
semakin besar. Statistik uji Pilllai’s Trace dirumuskan sebagai:

( ) λi
p
|B|
P=∑
−1
=tr λi ( 1+ λ i ) =tr (2−1)
i=1 1+ λi |B+W |
dimana λ 1 , λ2 , … , λ p adalah akar-akar karakteristik dari ( W )−1 ( B ).
( W ) = matriks varians-kovarians galat pada MANOVA
( B ) = matriks varians-kovarians perlakuan pada MANOVA
b) Wilk’s Lambda. Statistik uji digunakan jika terdapat lebih dari dua
kelompok variabel independen dan asumsi homogenitas matriks varians-
kovarians dipenuhi. Semakin rendah nilai statistik Wilk’s Lambda,
pengaruh terhadap model semakin besar. Nilai Wilk’s Lambda berkisar
antara 0-1. Statistik uji Wilk’s Lambda dirumuskan sebagai:
 5

p
|W |
U =∏ ( 1+ λ i )−1= (2−2)
i=1 |B+W |
c) Hotelling’s Trace. Statistik uji ini cocok digunakan jika hanya terdapat dua
kelompok variabel independen. Semakin tinggi nilai statistik Hotelling’s
Trace, pengaruh terhadap model semakin besar. Nilai Hotelling’s Trace >
Pillai’s Trace. Statistik uji Hotelling’s dirumuskan sebagai:
p
T =∑ λ i=tr λ i=tr ( W ) ( B ) (2−3)
−1

i=1

d) Roy’s Largest Root. Statistik uji ini hanya digunakan jika asumsi
homogenitas varians-kovarians dipenuhi. Semakin tinggi nilai statistik
Roy’s Largest Root, pengaruh terhadap model semakin besar. Nilai Roy’s
Largest Root > Hotelling’s Trace > Pillai’s Trace. Dalam hal pelanggaran
asumsi normalitas multivariat, statistik ini kurang robust (kekar)
dibandingkan dengan statistik uji yang lainnya. Statistik uji Roy’s Largest
Root dirumuskan sebagai:
R=λmaks=maks ( λ1 , λ2 , … , λ p )

¿ akar karakteristik maksimum dari ( W )−1 ( B ) (2−4)

B. One-way MANOVA
1. Teori
Kadang-kadang kita memiliki lebih dari satu variabel terikat/variabel
dependen yang akan dianalisis. Prosedur multivariate memungkinkan kita
untuk menganalisis perbedaan level dari satu atau lebih (biasanya level
nominal) variabel bebas/variable independen, yang terkait dengan kombinasi
linear dari beberapa variabel terikat. Jika uji ANOVA hanya dilakukan jika
hendak membandingkan tiga kelompok atau lebih berdasarkan satu variable
dependen maka MANOVA dapat dilakukan jika terdapat lebih dari satu
variable dependen. Sebagai contoh, melihat perbedaan hasil belajar pada tiga
kelas yang telah diajar dengan tiga metode yang berbeda. Meskipun kitat tetap
dapat melakukan ANOVA secara terpisah untuk setiap variable dependen
namun untuk meningkatkan keakuratan perhitungan cara ini tidak dianjurkan.
Semakin banyak tes yang kita lakukan pada data yang sama, maka semakin
kita mengembangkan tingkat kesalahan perhitungan. Semakin banyak variabel
dependen yang telah diukur, semakin banyak ANOVA yang perlu dilakukan
dan semakin besar peluang untuk membuat kesalahan Tipe I. Oleh karena itu,
 6

jika terdapat lebih dari satu variable dependen dan variabel Berikutnya kita
akan menjawab pertanyaan di bawah ini dengan analisis MANOVA

2. Contoh Perhitungan Manual

Langkah manual analisis one-way manova

1. Membuat hipotesis
Ho : μ1=μ 2=. .. . . .=μn
Ha : μ1 ≠ μ2 ≠ .. . . .. ≠ μ n

2. Misalkan diperoleh data seperti pada tabel di bawah ini

Tabel 3. Sebaran data
Responden Perlakuan A Perlakuan B
Y1 Y2 Y1 Y2
1 YA11 yA21 YB11 yA21
2 YA12 yA22 YB12 yB22
. . . .
. . . .
. . . .
. . .
n YA1n YA2n YB1n YB2n
X XA1 XA2 X B1 X B2

3. Dari data pada tabel diatas diperoleh matrik rata – rata perlakuan A dan B

[ ]
X
XA2 [ ]X
y A = A 1 , dan y B= B 1
XB2
4. Kemudian temukan matrixE dengan menggunakan perkalian matrix seperti
dibawah
a. Tentukan matrix C1 dan C2

[ ][ ][ ]
YA 11 YA 21 X A1 X A 2 CA 11 CA 21
C 1= … . … . − .. .. = … …
YA 1 n YA 2 n X A 1 X A 2 CA 1 n CA 2n

[ ][ ][ ]
YB 11 YB 21 XB1 XB 2 CB 11 CB21
C 2= … . …. − .. .. = … …
YB 1 n YB 2 n XB1 X B 2 CB 1n CB2 n

b. Kalikan C1 dengan inversnya, begitu juga dengan C2

][ ]
CA 11 CA 21
'
C 1 C 1= [
CA 11 … CA 1 n
CA 21 … CA 2 n
x … …
CA 1 n CA2 n
 7

][ ]
CB 11 CB 21
[
C '2 C 2= CB 11 … CB1 n x
CB 21 … CB2 n
… …
CB1 n CB 2 n

c. Hasil kali matrix akan menghasikan matrix baru berordo 2 x 2

[ ]
n n

∑ CA 1n 2
∑ (CA 2 n)(CA 1 n)
SSCP1 = n
n=1 n=1
n

∑ (CA 1 n)(CA 2 n) ∑ CA 2n 2
n=1 n=1

[ ]
n n

∑ CB1 n2 ∑ ( CB2 n)(CB1 n)

SSCP2 = n
n=1 n=1
n

∑ (CB 1 n)(CB2 n) ∑ CB2 n2

n=1 n=1

d. Sederhanakan matrix diatas menjadi

[ ]
SSCP1 = a 1 b 1 , dan SSCP 2= a 2 b 2
c 1 d1 c2 d 2 [ ]
e. Diperoleh Matrix E
E=[ ac 1+a 2
1+c 2
b 1+b 2
d 1+ d 2 ]
5. Setelah matrix E ditemukan, selanjutnya mencari matrix H
a. Temukan matrix rata – rata dari dua matrix berikut
X
XA2 [ ] X
y A = A 1 , dan y B= B 1
XB2 [ ]
Rata – rata matrix yA dan yB

ÿ=
[ ( X A 1 + X B 1)/2
( X A 2 + X B 2)/2 ]
b. Kurangi yA dan yB dengan rata – rata
y A − ÿ
y B − ÿ
c. Temukan SSCP

[ ]
SSCP1 =n ( y A− ÿ )( y A− ÿ ) ' = a 1 b 1
c 1 d1

2 B [ c 2 d 2]
SSCP =n ( y − ÿ ) ( y − ÿ ) = a 2 b 2
B
'

d. Jumlahkan SCPP untukmendapatkan matrix H

 8

H=
[ ac 1+a 2
1+c 2
b 1+b 2
d 1+d 2 ]
6. Mencari nilai Pillai
a. Temukan matrix invers dari E (E-1)
¿ , E=
[ CA DB ]
E−1=
1
[
D −B = a b
AD−BC −C A c d ][ ]
b. Kalikan invers E dengan H
−1
E H= [ ac bd ]
c. Temukan nilai eigen ( λ )
|E−1 H −λ I|=0
Persamaan di atas akan menghasilkan persamaan kuadrat, sehingga untuk
menemukan nilai λ digunakan persamaan berikut,
−b ± √b −4 ac
2
λ 1,2=
2a
atau
−b+ √ b2−4 ac −b−√ b2−4 ac
λ 1= dan λ2=
2a 2a

d. Gunakan persamaan berikut untuk menemukan nilai Pillai

[ ]
r
λv U df e − p+r
U =∑ , dan F=
v=1 1+ λv r−U b
7. Mencari nilai Wilks Lambda ( Λ )
|E| 1− Λ df e − p+1
Λ= dan F=
| H+ E| Λ p
8. Untuk menemukan nilai Hotelling, jumlahkan nilai lambda pada langkah 5c
r
V =∑ λ v , dan F=V ¿
v=1

9. Terakhir, untuk menentukan nilai Roy’s Largest Root gunakan persamaan

berikut dengan menggunakan λ 1 pada langkah 5c
λ1 ( N −b−1) λ1
Θ= , dan F=
1+ λ1 b
10. Kesimpulan
Kriteria
H 0 ditolak jika nilai hitung ≤ Ftabel
 9

Contoh Penerapan
Kasus:
Seorang peneliti ingin mengetahui pengaruh model pembelajaran A dan B
terhadap penguasaan konsep (Y1) dan motivasi belajar (Y2).
Respond Model A Model B
en y1 y2 y1 y2
1 80 80 50 63
2 75 75 75 81
3 80 65 74 78
4 80 92 78 82
5 60 77 85 90
6 80 91 88 80
7 60 85 62 66
8 75 80 68 72
9 85 80 80 85
10 85 85 82 83
11 85 82 90 88
12 80 90 79 76
13 90 70 85 91
14 90 80 54 58
15 70 90 58 62
Rata- 78.3333 81.4666
Rata 3 7 73.86667 77
1. Hipotesis
Ho : μ1=μ 2
Ha: μ1 ≠ μ2
Ho : Tidak terdapat perbedaan yang signifikan penguasaan konsep dan
motivasi siswa dengan pembelajaran model A dan B
Ha : Terdapat perbedaan yang signifikan penguasaan konsep dan motivasi
siswa dengan pembelajaran model A dan B
2. Mencari Matrix E

[ ] [ ]
y A = 78.3 , dan y B = 73.9
81.5 77,0
Tentukan matrix C1 dan C2

[ ][ ][ ]
80 80 78.3 81,5 1.7 −1.5
C 1= 75 90 − 78.3 81,5 = −3.3 −6.5
… .. … . ….. … . … .. ….
70 90 78.3 81,5 −8.3 8.5
 10

[ ][ ][ ]
50 63 73,9 77 −23.9 −14,0
75 81 73.9 77 1.1 4
C 2= − =
… .. … . ….. … . … .. ….
58 621 73.9 77 −15.9 −15
Kalikan C1 dengan inversnya, begitu juga dengan C2, Hasil kali matrix akan
menghasikan matrix baru berordo 2 x 2
SSCP1 =[ 1183.3 −143.3
−143.3 72.8 ]
dan SSCP 2=
2247.7 1748
1748 1566 [ ]
Diperoleh Matrix E
E=
[
3431.1 1676.9
1676.9 2411.7 ]
3. Mencari matrix H

[ ]
y A = 78.3 , dan y B = 79.3
81,5 77 [ ]
Rata – rata matrix yA dan yB
ÿ=
76.1
79.2 [ ]
Kurangi yA dan yB dengan rata – rata

[ ]
y A − ÿ= 2.2 dan y B− ÿ = −2.2
2.2 −2.2 [ ]
Temukan SSCP

['
SSCP1 =n ( y A− ÿ )( y A− ÿ ) =
74.8 74.8
74.8 74.8 ]
SSCP =n ( y − ÿ ) ( y − ÿ ) =[
74.8 ]
74.8 ' 74.8
2 B B
74.8
Jumlahkan SCPP untukmendapatkan matrix H
H=
[
149.6 149.6
149.6 149.6 ]
4. Menemukan nilai eigen λ
Temukan matrix invers dari E (E-1)
E= [
3431.1 1676.9
1676.9 2411.7 ]
−1
E =
1
[ 2411.7 −1676.9
5462865.8 −1676.9 3431.1
=
0,0004 −0,0003
−0,0003 0,0006][ ]
Kalikan invers E dengan H
−1
E H=
[
0,02 0,02
0,05 0.05 ]
Temukan nilai eigen ( λ )
|E−1 H −λ I|=0

|[ 0,02 0,02
0,05 0.05
−λ ] [ ]|
1 0
0 1
=0
 11

( 0,02− λ ) ( 0.05−λ )−( 0.02 ) ( 0.05 )=0

2
λ −0,07 λ=0
−(−0,07)± √(−0,07) −4(1)(0) 0,0.07 ±0.07
2
λ 1,2= =
2(1) 2
λ 1=0.07 dan λ2 =0
5. Gunakan matrix E, H dan nilai eigen ( λ ) untuk menemukan nilai uji statistik
pada tabel MANOVA
Meentukan F tabel sebagai pembanding:
Tabel 3. Distribusi Tabel F
Variabel Grup Distribusi sampling untuk data normal multivariat
p=1 g≥2 F g−1 ,n −g l

p=2 g≥2 F 2( g−1 ), 2(∑ n − g−1)

l

p ≥1 g=2 F p ,∑ n − p−1
l

p ≥1 g=3 F 2 p , 2(∑ n −p −2)

l

Dengan p = Jumlah variabel dependen = 2

g = banyaknya l (1,2,3,4,....,g)
Effect Nilai F

[ ]
r
Pillai’s λv 0,07
U =∑ = =0,065 3.17
Trace v=1 1+ λv 1 ,07

Karena nilai U < Ftabel maka terima Ho, sehingga tidak terdapat perbedaan yang
signifikan penguasaan konsep dan motivasi siswa dengan pembelajaran model A
dan B.

3. Contoh Perhitungan dengan SPSS

Hasil perhitungan manual pada bagian sebelumnya akan coba dianalisis
dengan menggunakan SPSS.
Pertanyaan Penelitian: Apakah terdapat perbedaan yang signifikan pada
kombinasi linear penguasaan konsep siswa dan motivasi belajar siswa yang
diajar dengan model pembelajaran A dan model pembelajaran B?
Hipotesis:
H0= tidak terdapat perbedaan yang signifikan pada kombinasi linear
penguasaan konsep siswa dan motivasi belajar siswa yang diajar dengan
model pembelajaran A dan model pembelajaran B
H1= terdapat perbedaan yang signifikan pada kombinasi linear penguasaan
konsep siswa dan motivasi belajar siswa yang diajar dengan model
pembelajaran A dan model pembelajaran B
Download data SPSS untuk latihan di http://bit.ly/uji-MANOVA
- Uji Asumsi MANOVA dengan SPSS
 12

Asumsi 1: Memastikan bahwa tidak ada data Outlier

1. Klik Analyze -> Regresion -> Linear

2. Masukkan data sebegai berikut

3. Klik Save dan centang mahalonobis kemudian Continue

4. Tampilan data Anda akan muncul satu variable baru

 13

“untuk jumlah data sebesar 30 maka data yang termasuk data outlier
adalah data yang nilai mahalonobies nya lebih besar dari 11 (Barnet
and Lewis, 1978). Data outlier ini selanjutnya dapat dihapus(jika
ada)”.
Asumsi 2: Normalitas data
Hasil uji normalitas adalah sebagai berikut:

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

Penguasaan Konsep .171 30 .026 .901 30 .009

Motivasi .166 30 .035 .931 30 .052

a. Lilliefors Significance Correction

Data diatas menunjukkan bahwa Pengguasaan konsep terdistribusi normal

(p<0,05) sementara itu, motiavasi siswa tidak terdistribusi normal (p>0,05).

Asumsi 3: Tidak ada Multikolinearitas variabel dependen

1. Klik Analyze -> Correlate -> Bivariate

2. Pindahkan variable dependen seperti pada gambar di bawah ini

 14

3. Output hasilnya adalah sebagai berikut

Correlations

Penguasaan Motivasi
Konsep

Pearson Correlation 1 .579**

Penguasaan Konsep Sig. (2-tailed) .001

N 30 30
Pearson Correlation .579** 1

Motivasi Sig. (2-tailed) .001

N 30 30

**. Correlation is significant at the 0.01 level (2-tailed).

Tabel korelasi di atas, bertujuan untuk melihat korelasi antar variable dependen.
Data di atas menunjukkan bahwa koefisien korelasi antara penguasaan konsep dan
motivasi adalah 0,579 dengan signifikansi sebesar 0,01. Hal ini menunjukkan
bahwa terdapat hubungan antara penguasaan konsep dan motivasi. Sehingga kita
perlu memperhatikan variabel ini dalam MANOVA. Jika korelasinya sebesar 0,60
atau di atasnya, kita akan mempertimbangkan apakah membuat sebuah variabel
komposit (dalam hal ini variabel yang korelasinya tinggi dijumlahkan atau dirata-
ratakan) atau mengeliminasi salah satu variabel (Morgan, 2004).
Uji MANOVA
Uji MANOVA dapat dilakukan dengan langkah-langkah sebagai berikut.
 Pilih Analyze => General Linear Model => Multivariate
 15

 Pindahkan Penguasaan konsep dan motivasi ke dalam kotak Dependen

Variables.
 Pindahkan model pembelajaran ke dalam kotak Fixed Factor(s)

 Klik Options
 Centang Descriptive statistics, Estimates of Effect size, Parameter
estimates, dan Homogenity test. Ini akan membolehkan kita untuk
memeriksa asumsi lain dalam test dan melihat variabel terikat mana yang
berkontribusi lebih besar dalam membuat perbedaan antar kelompok.

 Klik continue
 Klik OK. Bandingkan hasil Anda dengan Output di bawah ini.
[DataSet1] F:\S2 UM MALANG\SEMESTER 3\Statistik Inferensial\
MANOVA.sav

Between-Subjects Factors
 16

Value Label N

1 Model A 15
Model Pembelajaran
2 Model B 15

Descriptive Statistics

Model Pembelajaran Mean Std. Deviation N

Model A 78.33 9.194 15

Penguasaan Konsep Model B 73.87 12.671 15

Total 76.10 11.112 30

Model A 81.47 7.772 15

Motivasi Model B 77.00 10.576 15

Total 79.23 9.398 30

Agar hasil test memenuhi asumsi MANOVA sebaiknya jumlah pada setiap cell sama
atau relative sama.

Box's Test of Equality of

Interpretasi Box’s Test of Equality of Covariance Matrices
Covariance Matricesa
Tabel ini menunjukkan homogenitas covariance matrices antar
Box's M 20.932 kelompok. Tabel disamping menunjukkan bahwa covariance
F 6.437 matrice data bervariasi secara signifikan (p=0,05) dengan kata
df1 3 lain bahwa data tidak homogen. Oleh karena itu, kita tidak dapat
df2 141120.000 menggunakan wilks lambda untuk Multivariate Tests. Pillai’s
Sig. .000 trace adalah statistic multivariate terbaik digunakan jika
Tests the null hypothesis that homogenitas covarians tidak terpenuhi dan ukuran kelompok
the observed covariance sama.
matrices of the dependent
variables are equal across
groups.
a. Design: Intercept + Model

Multivariate Testsa

Effect Value F Hypoth Error df Sig. Partial Noncent. Observe

esis df Eta Parameter d Powerc
Squar
ed

Pillai's Trace .988 1147.929b 2.000 27.000 .000 .988 2295.857 1.000

Wilks' Lambda .012 1147.929 b

2.000 27.000 .000 .988 2295.857 1.000
Intercept
Hotelling's Trace 85.032 1147.929b 2.000 27.000 .000 .988 2295.857 1.000

Roy's Largest Root 85.032 1147.929 b

2.000 27.000 .000 .988 2295.857 1.000
 17

Pillai's Trace .065 .933b 2.000 27.000 .406 .065 1.867 .194

Wilks' Lambda .935 .933b 2.000 27.000 .406 .065 1.867 .194
Model
Hotelling's Trace .069 .933 b
2.000 27.000 .406 .065 1.867 .194

Roy's Largest Root .069 .933b 2.000 27.000 .406 .065 1.867 .194

a. Design: Intercept + Model

b. Exact statistic
c. Computed using alpha = ,05

Interpretasi Tabel Multivariate test

Multivariat test yang dipilih adalah Pillai’s trace dengan dengan hasil. U=0,065, df=68, 27,
p=0,406. Hasil ini menunjukkan bahwa hipotesis nol diterima yaitu tidak = tidak terdapat
perbedaan yang signifikan pada kombinasi linear penguasaan konsep siswa dan motivasi
belajar siswa yang diajar dengan model pembelajaran A dan model pembelajaran B.

Levene's Test of Equality of Error Variancesa

F df1 df2 Sig.

Penguasaan Konsep 2.187 1 28 .150

Motivasi 2.041 1 28 .164

Tests the null hypothesis that the error variance of the dependent variable is equal
across groups.
a. Design: Intercept + Model
Nilai di atas menunjukkan bahwa baik penguasaan konsep maupun motivasi homogen.
Tests of Between-Subjects Effects

Source Dependent Variable Type III Sum of df Mean Square F Sig. Partial Eta Noncent. Observe

Squares Squared Parameter d Powerc

Corrected Penguasaan Konsep 149.633a 1 149.633 1.221 .279 .042 1.221 .187

Model Motivasi 149.633b 1 149.633 1.737 .198 .058 1.737 .247

Penguasaan Konsep 173736.300 1 173736.300 1417.815 .000 .981 1417.815 1.000

Intercept
Motivasi 188337.633 1 188337.633 2186.582 .000 .987 2186.582 1.000

Penguasaan Konsep 149.633 1 149.633 1.221 .279 .042 1.221 .187

Model
Motivasi 149.633 1 149.633 1.737 .198 .058 1.737 .247

Penguasaan Konsep 3431.067 28 122.538

Error
Motivasi 2411.733 28 86.133

Penguasaan Konsep 177317.000 30

Total
Motivasi 190899.000 30

Corrected Penguasaan Konsep 3580.700 29

Total Motivasi 2561.367 29

a. R Squared = .042 (Adjusted R Squared = .008)

 18

b. R Squared = .058 (Adjusted R Squared = .025)

c. Computed using alpha = ,05

Estimated Marginal Means

Model Pembelajaran

Dependent Variable Model Pembelajaran Mean Std. Error 95% Confidence Interval

Lower Bound Upper Bound

Model A 78.333 2.858 72.479 84.188

Penguasaan Konsep
Model B 73.867 2.858 68.012 79.721
Model A 81.467 2.396 76.558 86.375
Motivasi
Model B 77.000 2.396 72.091 81.909

Contoh penulisan hasil

MANOVA digunakan untuk menguji jika apakah terdapat perbedaan antara siswa yang
diajar dengan model pembelajaran A dan model pembelajaran B dalam kombinasi linear
dari penguasaan konsep dan motivasi. Hasil analisis menunjukkan bahwa tidak terdapat
perbedaan yang signifikan ditemukan, pillai’s Trace=0,065, F (27, 27)=0,933, p=0,406,
multivariate η2=0,065.

C. Two-way MANOVA
1. Teori dan Contoh Two way MANOVA
MANOVA juga berguna bila ada lebih dari satu variabel independen dan
beberapa variabel dependen terkait. Mari menjawab pertanyaan berikut.
- Apakah terdapat perbedaan pada nilai matematika siswa dan jenis kelamin
pada kombinasi linier dari dua variabel dependen (prestasi matematika dan uji
visualisasi)?
- Apakah laki-laki dan perempuan dalam nilai matematika yang lebih tinggi dan
lebih rendah berbeda pada dua variabel ini (adakah interaksi antara nilai
matematika dan gender)?
- Kombinasi linear apa dari dua variabel dependen yang membedakan kelompok
ini?
Korelasi antara kedua variabel dependen telah diketahui (pada contoh 1)
yaitu sedang (0,42), jadi matriks korelasi dihilangkan. Kemudian langsung ikuti
langkah berikut.
1. Pilih Analyze => generate Linear Model => Multivariate.
2. Klik Reset.
 19

3. Pindahkan hasil tes matematika dan visualisasi ke dalam kotak Dependent

Variables
4. Memindahkan nilai matematika dan gender ke dalam kotak Factor Fixed.
5. Klik pada Options.
6. Periksa deskriptive statistic, Estimates of effect size, parameter estimates, dan
homogeneity test.
7. Klik Continue.
8. Klik OK.
Tampilan hasil

Tampilan tabel banyak yang sama dengan Output contoh 1. Untuk Statistik
Deskriptif, sekarang kita melihat mean dan standar deviasi dari variabel dependen
yang terdiri dari setiap kombinasi dua tingkat nilai matematika dan dua tingkat
gender.
 20

Uji Box sekali lagi tidak signifikan (>.05), menunjukkan bahwa asumsi
homogenitas matriks kovarian terpenuhi.

Perbedaan utama contoh 2 dengan contoh 1, untuk tabel Tes Multivarian

dan tabel Test of Beetwen Subjects Effects, adalah dimasukkannya dua efek utama
(satu untuk setiap variabel independen) dan satu interaksi (nilai matematika dan
jenis kelamin: nilai matematika * jenis kelamin). Interpretasi interaksi ini, jika
signifikan, akan serupa dengan Output contoh 1. Namun, perhatikan bahwa
meskipun kedua efek utama multivariat nilai matematika dan jenis kelamin
signifikan (<.05), interaksi multivariat tidak signifikan (>0.5). Jadi, kita bisa
melihat tes efek utama univariat, tapi kita tidak harus memeriksa efek interaksi
univariat.

Tes Levene menunjukkan bahwa ada heterogenitas varians untuk uji

visualisasi (signifikan <.05). Variabel dapat dirubah untuk menyamakan variansi.
 21

Namun, jika hanya mempertimbangkan efek utama gender dan nilai matematika
(karena interaksinya tidak signifikan), maka Ns kira-kira sama untuk kelompok
(34 dan 41 untuk jenis kelamin dan 31 dan 44 untuk nilai matematika), jadi hal ini
kurang memberikan dampak.

Test of Beetwen Subjects Effects menunjukkan bahwa ada efek utama dari
kedua variabel bebas pada kedua variabel dependen, dengan ukuran efek
menengah hingga besar. Misalnya, "efek" nilai matematika pada prestasi
matematika sangat besar (eta = 0,41) dan pengaruh nilai matematika pada tes
visualisasi adalah medium (eta = 0,27).
22
 23

Tabel Parameter Estimate sekarang memiliki tiga variabel tiruan: untuk perbedaan
antara siswa dengan A-B kurang dan A-B lebih banyak (MATHGR = 0), untuk pria lawan
perempuan (GEND = 0), dan juga untuk istilah interaksi (MATHGR = 0 GEND = 0).
Dengan demikian dapat dilihat bahwa prestasi matematika memberikan kontribusi lebih
daripada tes visualisasi untuk membedakan siswa dengan nilai matematika yang lebih baik
dan lebih buruk, serta berkontribusi lebih banyak untuk membedakan anak laki-laki dari pada
anak perempuan.
Hasil
Interaksi tidak signifikan, Wilk's ʌ = 0,995, F (2, 70) = .17, p = .843, multivariat ƞ 2 =
0,005. Efek utama untuk jenis kelamin adalah signifikan, Wilk's ʌ = .800, F (2,70) = 8,74, p
<.001, multivariat ƞ2 = .20. Hal ini menunjukkan bahwa komposit linear prestasi matematika
dan tes visualisasi berbeda untuk pria dan wanita. Efek utama untuk nilai matematika juga
signifikan, Wilk's ʌ = .811, F (2, 70) = 8,15, p = .001, multivariat ƞ2 = .19. Hal ini
menunjukkan bahwa komposit linier berbeda untuk tingkat nilai matematika yang berbeda.
Lanjutan ANOVA menunjukkan bahwa efek dari nilai matematika dan gender sangat penting
baik untuk pencapaian matematika maupun visualisasi. Laki-laki dinilai lebih tinggi pada
kedua hasil dan siswa dengan nilai matematika yang lebih tinggi pada kedua hasil tersebut.
 24

DAFTAR PUSTAKA

Andy Field. 2009. Discovering Statistics Using SPSS. Third Edition. London: SAGE
Publications Ltd
Leech, N. G; Barrett, K. C.& Morgan, G. A. 2005. SPSS for intermediate statistics: Use and
interpretation, 2nd edition. London: Lawrence Erlbaum Associates.
Morgan, G. A. (Ed.). (2004). SPSS for introductory statistics: Use and interpretation (2nd
ed). Mahwah, NJ: Lawrence Erlbaum.