Nim: 5551210088
Kelas: 3C
1
independen. Suatu model regresi dikatakan dapat dikatakan bebas
multikolinearitas jika mempunyai nilai VIF tidak lebih dari 10 dan
mempunyai angka tolerance tidak kurang dari 0,10, (Ghozali,
2013:105).
1. Untuk mendeteksi ada atau tidaknya gejala multikolienaritas
sebagai berikut:Nilai tolerance > 0,10 dan nilai variance
inflanction factor (VIF) < 10 menunjukkan tidak adanya
multikolinearitas antar variable independen
2. Nilai tolerance < 0,10 dan nilai variance inflanction factor (VIF)
> 10 menunjukkan adanya multikolinearitas antar variable
independen (Widodo, 2017: 78).
2. Autokorelasi
Autokorelasi muncul karena observasi yang berurutan sepanjang waktu
berkaitan satu sama lain (Janie, 2012). Uji Autokorelasi berkaitan
dengan pengaruh observer atau data dalam satu variable yang saling
berhubungan satu sama lain (Gani dan Amalia, 2015: 124). Uji
autokorelasi bertujuan untuk mendeteksi tingkat keeratan suatu
hubungan, asumsi ini dedefinisikan sebagai terjadinya korelasi diantara
dua pengamatan, dimana munculnya suatu data dipengaruhi oleh data
sebelumnya. Jika terjadi korelasi maka dinamakan ada problem
autokorelasi. Autokorelasi umumnya terjadi pada data time series,
karena data time series terikat dari waktu-waktu, beda halnya dengan
data cross section yang tidak terikat oleh waktu.
Mendeteksi autokorelasi dengan menggunakan nilai Durbin Watson.
Kriteria dalam pengujian Durbin Watson yaitu(Sujarweni, 2016: 232)
:Jika 0 < d < dL, berarti ada autokorelasi positif
1. Jika 4 – dL < d < 4, berarti ada auto korelasi negative
2. Jika 2 < d < 4 – dU atau dU < d < 2, berarti tidak ada autokorelasi
positif atau negatif
2
3. Jika dL ≤ d ≤ dU atau 4 – dU ≤ d ≤ 4 – dL, pengujian tidak
meyakinkan. Untuk itu dapat digunakan uji lain atau menambah
data
4. Jika nilai du < d < 4-du maka tidak terjadi autokorelasi
3. Heteroskedastisitas
Heteroskedastisitas menguji terjadinya perbedaan variance residual
suatu periode pengamatan ke periode pengamatan yang lain. Jika varian
dari residual pengamatan yang lain tetap, maka disebut
homokedastisitas. Model regresi yang baik adalah homokedastisitas
atau tidak terhadi heterokedastisitas (Ghozali, 2013).
Deteksi ada atau tidaknya heterokedastisitas dilakukan dengan melihat
ada atau tidaknya pola tertentu (bergelombang, melebar kemudian
menyempit) pada grafik plot (scatterplot) antara nilai prediksi variable
terkait dengan residualnya. Jika tidak ada pola yang jelas, serta titik-titik
menyebar di atas dan di bawah angka 0 pada sumbu Y, atau nilai
signifikansi > 0,05 maka tidak ada terjadi heteroskedastisitas. Regresi
yang tidak terjadi heteroskedastisitas jika (Sujarweni, 2016: 232):
1. Titik-titik data menyebar diatas dan dibawah atau disekitar
angka
2. Titik-titik data tidak mengumpul hanya diatas atau dibawah saja
3. Penyebaran titik-titik data tidak boleh membentuk pola
bergelombang melebar kemudian menyempit dan melebar
Kembali
4. Penyebaran titik-titik data tidak berpola.
Ada dua cara pendeteksian ada tidaknya Heteroskedastisitas, yaitu
dengan metode grafik dan metode statistik. Metode grafik biasanya
dilakukan dengan melihat grafik plot antara nilai prediksi variabel
dependen dengan residualnya. Sedangkan metode statistik yang dapat
digunakan untuk mengindentifikasi ada tidaknya masalah
Heteroskedastisitas, beberapa metode tersebut adalah Uji Park, Uji
3
Glejser, Uji Spearman, Uji Goldfeld-Quandt, Uji BrueschPagan-
Godfrey dan Uji White.
4. Normalitas
Pengujian normalitas merupakan pengujian tentang kenormalan
distribusi data (Purbayu & Ashari, 2005:231). Data yang ‘baik’ adalah
data yang mempunyai pola seperti distribusi normal, yakni distribusi
data tersebut tidak menceng ke kiri atau ke kanan (Santoso, 2017: 42).
Menurut Ghozali (2016) uji normalitas ini bertujuan untuk menguji
apakah dalam model regresi, variabel pengganggu atau residual
memiliki distribusi normal. Asumsi yang harus dipenuhi dalam model
regresi adalah yang berdistribusi normal atau mendekati normal. Jika
asumsi dilanggar maka uji statistik menjadi tidak valid untuk jumlah
sampel kecil (Ghozali, 2016). Uji yang digunakan untuk uji normalitas
residual adalah uji statistik non-parametrik Kolmogorov-Smirnoff
(Ghozali, 2016), yaitu:
H0: Residual berdistribusi normal
H1: Residual tidak berdistribusi normal
Kriteria Uji:
• Jika nilai probabilitas (sig) > α, maka Ho diterima
• Jika nilai probabilitas (sig) ≤ α, maka Ho ditolak
Jadi jika nilai signifikansi pada uji ini lebih besar dari 5 persen, maka
terima H0 dan residual berdistribusi normal (Ghozali, 2016). Ada 2
macam cara dalam melakukan uji normalitas:
1. Pengujian normalitas dengan kertas probabilitas normal
Uji normalitas dengan kertas probabilitas normal dilakukan dengan
Langkah-langkah berikut:
• Membuat tabel distribusi frekuensi
• Menentukan batas nyata tiap kelas interval
• Mencari frekuensi kumulatif dan frekuensi kumulatif relative.
2. Pengujian normalitas dengan rumus Chi-kuadrat
4
Pengujian normalitas data dengan rumus Chi-kuadrat setelah data
terkumpul, disusun dalam satu distribusi frekuensi (Tersiana, 2018:
137&139).
Rumus Uji Normalitas dan Langkahnya
1. Perumusan Hipotesis
Ho: Persebaran data normal
Ha: Persebaran data tidak normal
2. Penentuan Skor Uji Statistik
Rumus Chi Kuadrat:
2
(𝑂𝑖 − 𝐸𝑖 )2
𝑋 ℎ𝑖𝑡𝑢𝑛𝑔 = Σ( )
𝐸𝑖
5. Linearitas
Uji linearitas dimaksudkan untuk mengetahui ada tidaknya hubungan
secara linear antara variabel dependen terhadap setiap variabel
independen yang hendak diuji. Dalam uji linearitas mengharapkan agar
hasil pengujiannya menghasilkan hipotesis nol diterima, artinya
persamaan regresi linear sederhana yang diperoleh itu yang merupakan
persamaan regresi linear sederhana sebenarnya cocok dengan data
pengamatan (Herrhyanto, 2017:163). Jika garis regresi tidak linear maka
analisis regresi tidak dapat dilanjutkan (Sugiyono, 2017:265).
Uji linearitas dilakukan dengan menggunakan SPSS (Statistical Product
and Service Solution). Pengujian Linearitas data dapat dibuktikan
5
melalui Ftest (Husaini dan R. Purnomo, 2008:113). Jika nilai
signifikansi dari Deviation from Linearity > alpha (0,05) maka nilai
tersebut linear (R. gunawan Sudarmanto, 2005).
Contoh soal Uji Asumsi Klasik
1. Uji Normalisasi
6
2. Uji Autokorelasi
7
3. Uji Multikolinieritas
8
4. Uji Heteroskedastisitas
9
10
DAFTAR PUSTAKA
Achmad Sudiro, Prof, Dr, SE, ME. 2012. Uji Asumsi Klasik.
http://achmadsudirofebub.lecture.ub.ac.id/2012/02/modul-6-metodologi-penelitian-bisnis/
(Di akses pada Jum’at, 11 Novermber 2022 pukul 20.00).
Dr. Meiryani, S.E., Ak., M.M., M.Ak., CA. 2021. Memahami Uji Asumsi Klasik Dalam
Penelitian Ilmiah. https://accounting.binus.ac.id/2021/08/06/memahami-uji-asumsi-
klasik-dalam-penelitian-ilmiah/ (Diakses pada Jum’at, 11 November 2022 Pukul 20.15).
Siti Magfiroh, Agus Sunarmo, Dona Primasari, 2018. Analisis Bisnis Ekonomi.
https://journal.unimma.ac.id/index.php/bisnisekonomi/article/download/2619/1401/
(Diakses pada Jum’at, 11 November 2022 pukul 20.50).
Ari Apriyono, Abdul Taman., 2013. Analisis Overreaction Pada Saham Perusahaan
Manufaktur Bursa Efek Indonesia. https://media.neliti.com/media/publications/191545-
ID-none.pdf (Diakses pada Sabtu, 11 November 2022 pukul 21.00).
Lubis Muzaki, 2020. Mengenal Uji Asumsi Klasik Dilengkapi Contoh Soal
https://www.pengadaanbarang.co.id/2020/11/uji-asumsi-klasik.html (Diakses pada
Jum’at, 11 November 2022 pukul 21.30.
Aida Merda Mulyawahyuni, 2017. Pengaruh Perputaran Modal Kerja Terhadap Tingkat
Likuiditas Perusahaan http://repository.upi.edu/33179/6/S_PEM_1306298_Chapter3.pdf
(Diakses pada Jum’at, 11 November 2022 pukul 22.00).
11
TUGAS RESUME
Nim: 5551210088
Kelas: 3C
1
b. Jenis datanya bersifat kuantitatif
c. Jumlah populasi atau sample yang digunakan minimal
berjumlah 30.
Namun bila pengujian secara normal tidak bisa maka anda bisa
menggunakan uji Wilcoxon sebagai alternative lain. Dalam
penyelesaiannya sendiri, metode ini bisa dihitung baik secara manual
maupun dengan bantuan aplikasi (menggunakan SPSS).
4. Statistik Pengujian Dengan Menggunakan One Sample Test
Dalam uji-t satu sampel, uji statistik yang digunakan adalah sebagai
berikut:
𝑋̅ − 𝜇
𝑡=
𝑆𝑥̅
Dimana:
𝑆
𝑆𝑥̅ =
√𝑛
Dalam penggunaan uji-t satu sampel, kriteria kondisi data yang harus
dipenuhi adalah sebagai berikut:
• Jenis data yang digunakan adalah interval atau rasio.
• Sampel yang terpilih dari populasi harus bersiftar random.
• Tidak terdapat data yang bersifat outlier (ekstrim kiri atau
kanan).
• Varians dari sampel dan populasi bersifat homogen.
5. One Sample Test dengan SPSS
2
B. Two Sample Test
1. Pengertian Two Sample Test
Uji dua sampel adalah membandingkan dua grup kasus dalam satu
variabel. Uji dua sampel dapat digolongkan menjadi dua golongan
berdasarkan datanya. Berdasarkan hubungan antar populasinya, uji t
dapat digolongkan kedalam dua jenis uji, yaitu dependent sample t-test,
dan independent sample t-test:
3
a. Dependent sample t-test atau sering diistilakan dengan Paired
Sampel t-Test, adalah jenis uji statistika yang bertujuan untuk
membandingkan rata-rata dua grup yang saling berpasangan. Syarat
jenis uji ini adalah: (a) data berdistribusi normal; (b) kedua
kelompok data adalah dependen (saling berhubungan/berpasangan);
dan (c) jenis data yang digunakan adalah numeric dan kategorik (dua
kelompok).
Rumus t-test yang digunakan untuk sampel berpasangan (paired)
adalah:
4
Data dinyatakan memiliki varian yang sama (equal variance) bila F-
Hitung < F-Tabel, dan sebaliknya, varian data dinyatakan tidak sama
(unequal variance) bila F-Hitung > F-Tabel.
Bentuk varian kedua kelompok data akan berpengaruh pada nilai
standar error yang akhirnya akan membedakan rumus pengujiannya.
Uji t untuk varian yang sama (equal variance) menggunakan rumus
Polled Varians:
5
Gunakan Langkah-langkah berikut untuk melakukan two sample test
untuk menentukan apakah ada perbedaan mpg rata-rata antara kedua
kelompok ini, berdasarkan mengikuti hipotesis nol dan alternative:
H0: μ1 = μ2 (rata-rata mpg antara dua populasi sama)
H1: μ1 ≠ μ2 (rata-rata mpg antara dua populasi tidak sama)
Gunakan tingkat signifikansi a = 0,05
Step 1: Choose the Independent Samples T Test option.
Click the Analyze tab, then Compare Means, then Independent-Samples T
Test:
Step 2: Fill in the necessary values to perform the two sample t-test.
Once you click Independent-Samples T Test, the following window will
appear:
6
Drag the mpg into the box labelled Test Variable(s) and group into the box
labelled Grouping Variable. Then click Define Groups and define Group 1
as the rows with value 0 and define Group 2 as the rows with value 1. Then
click OK.
7
• Std. Error Mean: kesalahan standar dari mean mpg, dihitung sebagai
s/√n
Table kedua menampilkan hasil dari dua sampel t-test. Baris pertama
menunjukkan hasil test jika menganggap bahwa varian antara dua kelompok
adalah sama. Barisan kedua menunjukkan hasil tes jika tidak buat asumsi
itu. Dalam hal ini, dua versi tes menghasilkan hasil yang hamper identic.
Dengan demikian, kita hanya akan merujuk pada hasil dari baris pertama:
• t: statistic uji, ditemukan -1.428
• df: derajat kebebasan, dihitung dengan n1+n2-2 = 12+12-2 = 22
• Sig. (2-tailed): nilai p dua sisi yang sesuai dengan nilai t dari -1.428
dengan df=22
8
Asumsi yang harus dipenuhi pada independen t test antara lain:
• Skala data interval/rasio.
• Kelompok data saling bebas atau tidak berpasangan.
• Data per kelompok berdistribusi normal.
• Data per kelompok tidak terdapat outlier.
• Varians antar kelompok sama atau homogen.
Untuk asumsi poin no. 1 dan 2, anda tidak perlu mengujinya dengan
SPSS. Sedangkan untuk asumsi no. 3 dan no. 5 anda harus mengujinya
dengan SPSS.
3. Idependent Sample Test dengan SPSS
Seorang mahasiswa dalam penelitiannya ingin mengetahui apakah ada
perbedaan nilai ujian antara kelas A dan kelas B pada fakultas Psikologi
suatu universitas. Penelitian dengan menggunakan sampel sebanyak 20
responden yang diambil dari kelas A dan kelas B. Dalam uji ini jumlah
kelompok responden yang diambil tidak harus sama, misalnya kelas A
sebanyak 8 orang dan kelas B sebanyak 12 orang. Data-data yang
didapat sebagai berikut:
Tabel. Tabulasi Data (Data Fiktif)
9
12 36 Kelas B
13 30 Kelas B
14 28 Kelas B
15 26 Kelas B
16 27 Kelas B
17 32 Kelas B
18 35 Kelas B
19 38 Kelas B
20 41 Kelas B
10
mengambil risiko salah dalam mengambil keputusan untuk
menolak hipotesis yang benar sebanyak-banyaknya 5%
(signifikansi 5% atau 0,05 adalah ukuran standar yang sering
digunakan dalam penelitian)
3) Menentukan t hitung
Dari tabel di atas didapat nilai t hitung (equal variance assumed)
adalah 3,490
4) Menentukan t tabel
Tabel distribusi t dicari pada a = 5%: 2 = 2,5% (uji 2 sisi) dengan
derajat kebebasan (df) n-2 atau 20-2= 18. Dengan pengujian 2
sisi (signifikansi = 0,025) hasil diperoleh untuk t tabel sebesar
2,101 (Lihat pada lampiran) atau dapat dicari di Ms Excel
dengan cara pada cell kosong ketik =tinv(0.05,18) lalu enter.
5) Kriteria Pengujian
Ho diterima jika -t tabel < t hitung < t table
Ho ditolak jika -t hitung < -t tabel atau t hitung > t table
Berdasar probabilitas:
Ho diterima jika P value > 0,05
Ho ditolak jika P value < 0,05
6) Membandingkan t hitung dengan t tabel dan probabilitas
Nilai t hitung > t tabel (3,490 > 2,101) dan P value (0,003 < 0,05)
maka Ho ditolak.
11
membandingkan rata-rata dari 2 kelompok atau perlakuan, maka dengan
ANOVA kita bisa membandingkan rata-rata lebih dari 2 kelompok atau
perlakuan.
2.) Kegunaan Analysis Off Variance
Anova digunakan sebagai alat analisis untuk menguji hipotesis
penelitian yang mana menilai adakah perbedaan rerata antara kelompok.
Hasil akhir dari analisis ANOVA adalah nilai F test atau F hitung. Nilai
F Hitung ini yang nantinya akan dibandingkan dengan nilai pada tabel
f. Jika nilai f hitung lebih dari f tabel, maka dapat disimpulkan bahwa
menerima H1 dan menolak H0 atau yang berarti ada perbedaan
bermakna rerata pada semua kelompok. Analisis ANOVA ini sering
digunakan pada penelitian eksperimen dimana terdapat beberapa
perlakuan. Peneliti ingin menguji, apakah ada perbedaan bermakna
antar perlakuan tersebut.
3.) Ciri-Ciri Analysis Off Variance
Ciri khasnya adalah adanya satu atau lebih variabel bebas sebagai faktor
penyebab dan satu atau lebih variabel response sebagai akibat atau efek
dari adanya faktor. Ciri lainnya adalah variabel response berskala data
rasio atau interval (numerik atau kuantitatif). Namun keunikannya, uji
ini dapat dikatakan relatif robust atau kebal terhadap adanya asumsi
tersebut.
4.) Jenis Analysis Off Variance
Jenisnya adalah berdasarkan jumlah variabel faktor (independen
variable atau variabel bebas) dan jumlah variabel responsen (dependent
variable atau variabel terikat). Pembagiannya adalah sebagai berikut:
1. Univariat:
• Univariate One Way Analysis of Variance. Apabila
variabel bebas dan variabel terikat jumlahnya satu.
• Univariate Two Way Analysis of Variance. Apabila
variabel bebas ada 2, sedangkan variabel terikat ada satu.
12
• Univariate Multi way Analysis of Variance. Apabila
variabel bebas ada > 2, sedangkan variabel terikat ada
satu.
2. Multivariat:
• Multivariate One-Way Analysis of Variance. Apabila
variabel bebas dan variabel terikat jumlahnya lebih dari
satu.
• Multivariate Two-Way Analysis of Variance. Apabila
variabel bebas ada 2, sedangkan variabel terikat
jumlahnya lebih dari satu.
• Multivariate Multi way Analysis of Variance. Apabila
variabel bebas ada > 2, sedangkan variabel terikat
jumlahnya lebih dari satu.
Jenis lain yang menggunakan prinsip ini adalah:
13
• H1: (Ada pengaruh perlakuan terhadap terhadap respon yang
diamati)
14
15
Pembacaan Hasil Analisis
1) Tabel ANOVAmenunjukan hasil uji beda rata-rata secara keseluruhan.
Hipotesis Penelitian:
Ho: Ketiga kelompok memiliki rata-rata skore Toefl yang sama.
H1 :Ketiga kelompokmemilikirata-rata skore Toeflyang berbeda.
Ketentuan penerimaan/penolakan :
Jika F hitung < F tabel, maka Ho diterima.
Jika F hitung > F tabel, maka Ho ditolak.
Atau
Jika Sig > α, maka Ho diterima.
Jika Sig < α, maka Ho ditolak.
16
Hasil analisis ditemukan harga F hitung sebesar 26,909 dengan sig =
0,000. Oleh karena nilai sig < 0,05 maka Ho ditolak sehingga dapat
disimpulkan ada perbedaan rata-rata skore Toefl antara mahasiswa yang
mengambil kursus tiga bulan, enam bulan, dan Sembilan bulan.
Keterangan: jika hasil pengujiannya signifikan maka dilanjutkan ke uji
post hoc, tetapi jika tidak signifikan pengujian berhenti sampai di sini).
2) Tabel Multiple Comparison smenunjukan hasil uji lanjut untuk
mengetahui perbedaan antar kelompok secara spesifik sekaligus untuk
mengetahui mana di antara ketiga kelompok tersebut yang skore
Toeflnya paling tinggi.
Hipotesis Penelitian:
Ho: Kedua kelompok memiliki rata-rata skore Toefl yang sama.
H1: Kedua kelompok memiliki rata-rata skore Toefl yang tidak sama.
Ketentuan penerimaan/penolakan:
Jika Sig > α, maka Ho diterima.
Jika Sig < α, maka Ho ditolak.
Misalnya untuk melihat perbedaan skore Toefl antara mahasiswa yang
kursus tiga bulan dan enam bulan diperoleh nilai sig = 0,004, Oleh
karena nilai sig < 0,05 dapat disimpulkan bahwa ada perbedaan skore
Toefl antara mahasiswa yang kursus tiga bulan dan enam bulan. Dalam
hal ini skore Toefl mahasiswa yang kursus enam bulan lebih tinggi dari
pada yang kursus tiga bulan. Dengan kata lain lama kursus berpengaruh
terhadap peningkatan skore Toefl mahasiswa.
E. Factorial Analysis of Variance
1. Pengertian Factorial Analysis of Variance
Factorial Analysis of Variance merupakan pengembangan dari anova
satu arah dimana ada lebih dari satu faktor dan interaksinya yang
dipertimbangkan. Faktorial ANOVA menguji perbedaan mean antar
kelompok data berdasarkan pada dua atau lebih variabel independent,
dengan variabel dependen tunggal. Factorial ANOVA ini dapat
melibatkan dua/lebih data kategorik/ordinal antar subjek atau satu data
17
interval atau rasio. Factorial ANOVA digunakan Ketika ingin
mempertimbangkan efek lebih dari satu factor pada perbedaan dalam
variabel dependen.
2. Factorial Analysis of Variance dengan SPSS
Income Sex Frequency
Tinggi Pria 31
Tinggi Wanita 40
Tinggi Wanita 32
Tinggi Wanita 34
Tinggi Pria 33
Tinggi Wanita 34
Tinggi Pria 30
Tinggi Pria 33
Tinggi Wanita 28
Tinggi Pria 34
Rendah Pria 30
Rendah Wanita 27
Rendah Pria 25
Rendah Pria 24
Rendah Wanita 20
Rendah Pria 23
Rendah Pria 31
Rendah Pria 33
Rendah Pria 34
Rendah Wanita 28
18
19
20
F. Multivariate Analysis of Variance
1. Pengertian Multivariate Analysis of Variance (MANOVA)
Analisis multivariat merupakan metode statistik yang digunakan untuk
memahami struktur data dalam dimensi tinggi (Morrison, 1990; Hardle
dan Simar, 2007; Leps dan Smilauer, 1999). MANOVA mempunyai
pengertian sebagai suatu teknik statistik yang digunakan untuk
menghitung pengujian signifikansi perbedaan rata-rata secara
bersamaan antara kelompok untuk dua atau lebih variabel terikat.
MANOVA adalah generalisasi dari ANOVA untuk situasi dimana
terdapat beberapa variabel terikat (Tabachnick dan Fidell, 2007).
Banyak teknik multivariat merupakan perluasan dari prosedur univariat
(Morrion, 1990; Mattjik dan Sumertajaya, 2011; Anderson, 2003).
Bentuk multivariate maksudnya adalah terdapat lebih dari satu variabel
terikat. Sehingga uji manova digunakan untuk mengukur pengaruh
variabel independen terhadap beberapa variabel dependen secara
simultan atau sekaligus. MANOVA mampu mengungkapkan perbedaan
yang tidak ditampilkan ANOVA secara terpisah, sehingga dapat
meningkatkan kesempatan untuk menemukan perubahan sebagai akibat
dari perlakuan yang berbeda dan interaksinya. Dengan demikian,
temuan hasil penelitian akan semakin kaya dan sangat berguna bagi
perkembangan ilmu pengetahuan.
21
2. Asumsi Multivariate Analysis of Variance (MANOVA)
Adapun asumsi yang harus dipenuhi pada MANOVA yaitu:
• Independen: Pengamatan harus independent secara statistik.
Dipenuhinya persyaratan ini dimaksudkan agar perlakuan yang
diberikan kepada setiap sampel, independen antara satu
denganlainnya.
• Sampel acak: Dalam statistika untuk hal pengambilan
sampel harus dilakukan secara random (acak) dari populasinya
atau dengan kata lain menggunakan teknik probabilitas. Selain
itu, data yang diukur (variabel terikat) dalam penelitian berskala
interval.
• Normalitas multivariat: Dalam ANOVA, diasumsikan bahwa
variabel terikat berdistribusi normal di dalam masing-masing
kelompok, sedangkan dalam kasus MANOVA diasumsikan
bahwa variabel terikat (secara bersama) berdistribusi normal
multivariat di dalam kelompok.
• Homogenitas matriks kovariansi: Dalam ANOVA,
diasumsikan bahwa variansi pada setiap kelompok sama
(homogenitas variansi). Sedangkan dalam MANOVA,
diasumsikan benar untuk setiapvariabel terikat memiliki variansi
yang sama pada setiap kelompok, selain itu diasumsikan juga
bahwa korelasi antara manapun variabel terikat adalah
sama dalam semua kelompok. Asumsi ini diuji dengan
pengujian apakah matriks kovariansi populasi dari kelompok
yang berbeda adalah sama.
3. Multivariate Analysis of Variance (MANOVA) dengan SPSS
Contoh: Kita akan melakukan penelitian yang berjudul “Pengaruh
Pekerjaan Orang Tua Terhadap Nilai Ujian Matematika, Fisika dan
Biologi Siswa Kelas 6 SD A”.
22
Perhatikan judul penelitian di atas, semuanya ada 4 variabel yang
diteliti:
1. Pekerjaan Orang Tua
2. Nilai Ujian Matematika
3. Nilai Ujian Fisika
4. Nilai Ujian Biologi
Berdasar contoh di atas, maka jelas harus anda pahami kembali bahwa
uji Manova harus terdiri dari 1 variabel independen berskala kualtitatif
dan lebih dari 1 variabel dependen berskala data kuantitatif berdistribusi
normal.
23
16 1 57 59 60
17 3 79 85 91
18 1 61 63 64
19 2 88 92 76
20 3 85 91 97
21 4 87 93 99
22 2 94 98 82
23 1 71 73 74
24 2 98 82 86
Langkah-langkah:
24
Klik Tombol Model. Anda bisa menggunakan nilai bawaan (default)
yaitu Full Factorial atau menggunakan nilai Custom, yaitu dengan
memilih Custom dan memasukkan Pekerjaan ke dalam kotak Model
dan mengubah Type ke Main Effects.
Klik Tombol Post Hoc. Maka akan muncul jendela seperti di bawah
ini: Lalu masukkan Factor Pekerjaan ke kotak Post Hoc Test For,
pada Equal Variances Assumed centang Bonferroni dan pada Equal
Variances Not Assumed centang Games-Howell. (Ingat artikel
sebelumnya, bahwa uji Bonferroni dipakai untuk membedakan
kategori mana yang berbeda pada variabel independen apabila hasil
uji homogenitas test pada Levene’s Test menunjukkan memiliki
varians yang berbeda dengan nilai sig. > 0,05. Sedangkan Games-
Howell dipakai apabila sig. <0,05).
25
Klik Continue
26
Klik Continue dan Lihat hasilnya pada jendela Output.
27
DAFTAR PUSTAKA
Randy Aulia, 2013. Uji Anova, Teori Satu Arah dan Dua Arah.
https://www.globalstatistik.com/uji-anova-satu-dua-arah/ (Diakses pada Sabtu, 12
November 2022 pukul 15.00).
28
Anwar Hidayat, 2012. Multivariate Analysis of Variance Atau MANOVA.
https://www.statistikian.com/2012/07/multivariate-analysis-of-variance-
manova.html#:~:text=Manova%20adalah%20uji%20statistik%20yang,juga%20de
ngan%20istilah%20multivariat%20anova. (Diakses pada Sabtu, 12 November
2022 pukul 15.45).
Anwar Hidayat, 2012. Tutorial Cara Interprestasi Uji Manova dalam SPSS
https://www.statistikian.com/2012/11/interprestasi-uji-manova-dalam-spss.html
(Diakses pada Sabtu, 12 November 2022 pukul 16.30).
29