KONTRAS HELMERT
Dosen Pengampu :
Prof. Dr. Dhoriva Urwatul Wutsqa, MS
Oleh Kelompok 5 :
1. Mahyudin (22309259019)
2. Restu Demma Papiang (22309259021)
3. Anis Widiyanti (22309251145)
Uji kontras Univariat bias menjadi uji lanjut dari uji kontras Multivariat. Pada perbandingan terencana
untuk satu variabel dependen, kasus univariat. Untuk k grup, dengan rata-rata populasi μ1, μ2, . . ., μk,
kontras di antara rata-rata populasi diberikan oleh
𝐻0 : = 0
𝐻1 : ≠ 0
dibutuhkan formula untuk kesalahan standar kontras. Dapat ditunjukkan bahwa varians untuk kontras
diberikan oleh:
𝑐2
𝜎̂̂2 = 𝑀𝑆𝑤 ∑𝑘𝑖=1 𝑛𝑖
𝑖
di mana MSw adalah kesalahan dari semua grup (penyebut uji F) dan ni adalah ukuran grup. Dengan
demikian, kesalahan standar kontras hanyalah akar kuadrat dari 𝜎̂̂2 dan statistik t berikut dapat
digunakan untuk menentukan apakah suatu kontras berbeda secara signifikan dari 0:
̂
𝑡=
𝑐𝑖 2
√𝑀𝑆𝑤 ∑𝑘
𝑖=1 𝑛𝑖
SPSS MANOVA melaporkan hasil univariat untuk kontras sebagai nilai F. Karena F = t2, uji F dengan
derajat kebebasan 1 dan N − k setara dengan uji t dua sisi pada tingkat signifikansi yang sama:
̂2
F= 𝑐𝑖 2
𝑀𝑆𝑤 ∑𝑘
𝑖=1 𝑛𝑖
̂2
kita dapat menganggap ⁄ 𝑘 𝑐𝑖2 jumlah kuadrat untuk kontras, dan ini akan muncul sebagai hipotesis
∑𝑖=1
𝑛𝑖
jumlah kuadrat (HYPOTH.SS) pada print out SPSS. MSw akan muncul sebagai ERROR MS.
KASUS MULTIVARIAT
Semua kontras, baik univariat maupun multivariat, dapat dianggap sebagai perbandingan "dua
kelompok". Dalam kasus multivariat, T2 Hotelling akan sesuai untuk menguji kontras multivariat.
Kontras di antara vektor rata-rata populasi μ1, μ2, . . ., μk, dinyatakan sebagai
= 𝑐1 𝜇1 + 𝑐2 𝜇2 + … + 𝑐𝑘 𝜇𝑘
Kontras ini diestimasikan dengan mengganti vektor rata-rata populasi dengan vektor rata-rata sampel
sehingga persamaannya menjadi:
̂ = 𝑐1 𝑥̅1 + 𝑐2 𝑥̅2 + … + 𝑐𝑘 𝑥̅𝑘
Untuk menguji bahwa kontras di antara vektor rata-rata populasi adalah vektor nol maka ditentukan:
𝐻0 : = 0
Statistik uji umum untuk kasus multivariat dapat dinyatakan sebagai berikut:
𝑘 −1
𝑐𝑖2
𝑇 2 = (∑ ) ̂′𝑆 −1
̂
𝑛𝑖
𝑖=1
Dalam bab MANOVA dua kelompok diberikan:
(𝑛𝑒 −𝑝+1)
F= 𝑇 2 dengan p dan (𝑛𝑒 − 𝑝 + 1) derajat kebebasan.
𝑛𝑒 𝑝
3. Menghitung rata-rata
#subseting each group
grup1-subset(dat[,2:3],dat$Kelas==”Konvensional”)
grup2-subset(dat[,2:3],dat$Kelas==”SL”)
grup3-subset(dat[,2:3],dat$Kelas==”RME”)
grup1
grup2
grup3
#compute xbar
xbar1=co1Means(grup1)
xbar2=co1Means(grup2)
xbar3=co1Means(grup3)
xbar=cbind(xbar1,xbar2,xbar3)
xbar
4. Multivariat GPS 1
#multivariat GPS 1
ni=c(10,10,10)
kontras=c(1,-0.5,-0.5)
konstant=solve(sum(kontras^2/ni))
psi=xbar%*%kontras
N=30
k=3
p=2
df1=p
df2=N-k-p+1
thotel=konstant*(t(psi)%*%(invsp%*%psi))
F=(N-k-p+1)*thotel/(N-k)/p
data.frame("T2"=thotel,"F"=F,"df1"=df1,"df2"=df2)
5. Multivariat GPS 2
#multivariat GPS 2
ni=c(10,10,10)
kontras=c(0,1,-1)
konstant=solve(sum(kontras^2/ni))
psi=xbar%*%kontras
N=30
k=3
p=2
df1=p
df2=N-k-p+1
thotel=konstant*(t(psi)%*%(invsp%*%psi))
F=(N-k-p+1)*thotel/(N-k)/p
data.frame("T2"=thotel,"F"=F,"df1"=df1,"df2"=df2)
6. Univariat GPS 1
#univariat GPS 1
xbar1=colMeans(grup1)
xbar2=colMeans(grup2)
xbar3=colMeans(grup3)
xbar=cbind(xbar1,xbar2,xbar3)
n=c(10)
kontras=c(1,-0.5,-0.5)
konstant=solve(sum(kontras^2))
msw1=sp[1,1]
msw2=sp[2,2]
psi=xbar%*%kontras
hypoth1=n*psi[1,1]*psi[1,1]/sum(kontras^2)
hypoth2=n*psi[2,1]*psi[2,1]/sum(kontras^2)
F1=hypoth1/msw1
F2=hypoth2/msw2
t1=psi[1,1]/sqrt(msw1*konstant)
t2=psi[2,1]/sqrt(msw2*konstant)
data.frame("F1"=F1,"t1"=t1)
data.frame("F2"=F2,"t2"=t2)
7. Univariat GPS 2
#univariat GPS 2
xbar1=colMeans(grup1)
xbar2=colMeans(grup2)
xbar3=colMeans(grup3)
xbar=cbind(xbar1,xbar2,xbar3)
n=c(10)
kontras=c(0,1,-1)
konstant=solve(sum(kontras^2))
msw1=sp[1,1]
msw2=sp[2,2]
psi=xbar%*%kontras
hypoth1=n*psi[1,1]*psi[1,1]/sum(kontras^2)
hypoth2=n*psi[2,1]*psi[2,1]/sum(kontras^2)
F1=hypoth1/msw1
F2=hypoth2/msw2
t1=psi[1,1]/sqrt(msw1*konstant)
t2=psi[2,1]/sqrt(msw2*konstant)
data.frame("F1"=F1,"t1"=t1)
data.frame("F2"=F2,"t2"=t2)
CONTOH KASUS KONTRAS HELMERT
Suatu penelitian dilakukan untuk menguji keefektifan model pembelajaran Scientific Learning (SL) dan
Realistic Mathematics Education (RME) ditinjau dari berpikir kritis (X1) dan berpikir kreatif (X2)
peserta didik dalam pembelajaran matematika. Terdapat tiga kelompok yang di uji dalam contoh
penelitian ini yakni kelompok kelas konvensional, kelas yang dikenai perlakuan berupa pembelajaran
SL dan kelas yang dikenai perlakuan berupa pembelajaran RME. Berikut data hasil eksperimen dengan
kelas konvensional dan kelas perlakuan (SL dan RME) sebagai berikut:
Apakah terdapat perbedaan rata-rata kelompok kontrol (metode konvensional) dengan kelompok
perlakuan (SL & RME) ditinjau dari berpikir kritis.
Apakah terdapat perbedaan rata-rata kelompok kontrol (metode konvensional) dengan kelompok
perlakuan (SL & RME) ditinjau dari berpikir kreatif.
Hipotesis
𝜇2 +𝜇3
𝐻0 : 1 = 𝜇1 − =0
2
𝑘 −1
𝑐𝑖2
2
𝑇 = (∑ ) ̅ ′ 𝑆 −1 ̅
𝑛𝑖
𝑖=1
Kriteria Keputusan
H0 ditolak jika 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹(𝛼;𝑝;𝑛𝑒 −𝑝+1)
Perhitungan Manual
Menentukan nilai 𝑊 = 𝑊1 + 𝑊2 + 𝑊3
Berdasarkan tabel kelompok konvensional dapat dilihat bahwa rata-rata variabel berfikir kritis sebesar
71,2 dan variabel berfikir kreatif 76,5.
Hasil 𝑊1 diperoleh :
965,6 42
𝑊1 = [ ]
42 1102,5
Berdasarkan tabel kelompok konvensional dapat dilihat bahwa rata-rata variabel berfikir kritis sebesar
80,2 dan variabel berfikir kreatif 81,8.
Hasil 𝑊2 diperoleh :
679,6 −46,6
𝑊2 = [ ]
−46,6 1071,6
Berdasarkan tabel kelompok konvensional dapat dilihat bahwa rata-rata variabel berfikir kritis sebesar
77,5 dan variabel berfikir kreatif 82,2.
Hasil 𝑊3 diperoleh :
620,5 122
𝑊3 = [ ]
122 473,6
̅ ]′ = [
[ ̅1
̅ 2 ] = [−7,65 −5,5]
1 2 1 2
−1
−1
𝑐 2
12 (− ) (− ) 0,0119 −0,0005 −7,65
𝑇2 = (∑𝑘𝑖=1 𝑛𝑖 ) ̅ ′𝑆 −1 ̅ = (10 + 2
+ 2
) [−7,65 −5,5] [ ][ ]
𝑖 10 10 −0,0005 0,0102 −5,5
𝑘 −1
𝑐𝑖2
𝑇 2 = (∑ ) ̅ ′ 𝑆 −1 ̅
𝑛𝑖
𝑖=1
Kriteria Keputusan
H0 ditolak jika 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹(𝛼;𝑝;𝑛𝑒 −𝑝+1)
Perhitungan Manual
Menentukan nilai 𝑊 = 𝑊1 + 𝑊2 + 𝑊3
2265,7 117,4
𝑊= [ ]
117,4 2647,7
83,91 4,35
𝑆=[ ]
4,35 98,06
0,0119 −0,0005
𝑆 −1 = [ ]
−0,0005 0,0102
̅1 2,7
[
̅] = [ ]=[ ]
̅2 −0,4
̅ 1 = 𝑐1 𝑥̅1 + 𝑐2 𝑥̅ 2 + 𝑐3 𝑥̅ 3 = 0 × 71,2 + 1 × 80,2 + (−1) × 77,5 = 2,7
̅ 2 = 𝑐1 𝑥̅1 + 𝑐2 𝑥̅ 2 + 𝑐3 𝑥̅ 3 = 0 × 76,5 + 1 × 81,8 + (−1) × 82,2 = −0,4
̅ ]′ = [
[ ̅1
̅ 2 ] = [2,7 −0,4]
−1 −1
𝑐2 02 12 (−1)2 0,0119 −0,0005 2,7
𝑇 2 = (∑𝑘𝑖=1 𝑛𝑖 ) ̅ ′𝑆 −1 ̅ = (10 + 10 + ) [2,7 −0,4] [ ][ ]
𝑖 10 −0,0005 0,0102 −0,4
Kriteria Keputusan
H0 ditolak jika 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹(𝛼;𝑝;𝑛𝑒 −𝑝+1)
Perhitungan Manual
2265,7 117,4
𝑊= [ ]
117,4 2647,7
83,91 4,35
𝑆=[ ]
4,35 98,06
𝑀𝑆𝑊1 = 83,91 dan 𝑀𝑆𝑊2 = 98,06
̅1 −7,65
[
̅] = [ ]=[ ]
̅2 −5,5
̅ ]′ = [
[ ̅1
̅ 2 ] = [−7,65 −5,5]
10(−7,65)2
HYPOTH.SS untuk variabel pertama = 1 2 1 2
= 390,15
12 +(− ) +(− )
2 2
10(−5,5)2
HYPOTH.SS untuk variabel kedua = 1 2 1 2
= 201,67
12 +(− ) +(− )
2 2
𝑛
̂2
⁄ 𝑘 2
∑𝑖=1 𝑐𝑖 390,15
𝐹1 = = = 4,6494
𝑀𝑆𝑤 83,91
𝑛
̂2
⁄ 𝑘 2
∑𝑖=1 𝑐𝑖 201,67
𝐹2 = = = 2,0565
𝑀𝑆𝑤 98,06
𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹(,1,𝑁−𝑘) = 𝐹(0,05;1;27) = 4,210008
𝐹1 : 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹(𝛼;𝑝;𝑛𝑒 −𝑝+1) maka dari itu H0 ditolak, dengan demikian terdapat perbedaan
keefektifan model pembelajaran konvensional dibandingkan dengan model pembelajaran SL ditinjau
dari berpikir kritis dan berpikir kreatif pada pembelajaran matematika.
𝐹2 : 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 ≤ 𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹(𝛼;𝑝;𝑛𝑒 −𝑝+1) maka dari itu H0 diterima, dengan demikian tidak terdapat
perbedaan keefektifan model pembelajaran konvensional dibandingkan dengan model pembelajaran
RME ditinjau dari berpikir kritis dan berpikir kreatif pada pembelajaran matematika.
𝑛
̂2
⁄ 𝑘 𝑐𝑖2
∑𝑖=1
𝑛𝑖
𝐹1 =
𝑀𝑆𝑤
Kriteria Keputusan
H0 ditolak jika 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹(𝛼;𝑝;𝑛𝑒 −𝑝+1)
Perhitungan Manual
Menentukan nilai 𝑊 = 𝑊1 + 𝑊2 + 𝑊3
Taraf Signifikan () = 0,05
Statistik Uji
̂2
⁄ 𝑘 𝑐2𝑖
∑𝑖=1
𝑛𝑖
F= 𝑀𝑆𝑤
Kriteria Keputusan
H0 ditolak jika 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹(,1,𝑁−𝑘)
Perhitungan Manual
2265,7 117,4
𝑊= [ ]
117,4 2647,7
83,91 4,35
𝑆=[ ]
4,35 98,06
𝑀𝑆𝑊1 = 83,91 dan 𝑀𝑆𝑊2 = 98,06
̅1 2,7
[
̅] = [ ]=[ ]
̅2 −0,4
̅ ]′ = [
[ ̅1
̅ 2 ] = [2,7 −0,4]
10(2,7)2
HYPOTH.SS untuk variabel pertama = 02 +12 +(−1)2 = 36,45
10(−0,4)2
HYPOTH.SS untuk variabel kedua = 02 +12 +(−1) 2 = 0,8
𝑛
̂2
⁄ 𝑘 𝑐𝑖2
∑𝑖=1
𝑛𝑖 36,45
𝐹1 = = = 0,4344
𝑀𝑆𝑤 83,91
𝑛
̂2
⁄ 𝑘 𝑐𝑖2
∑𝑖=1 0,8
𝑛𝑖
𝐹2 = = = 0,0081
𝑀𝑆𝑤 98,06
𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹(,1,𝑁−𝑘) = 𝐹(0,05;1;27) = 4,210008
𝐹1 : 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 < 𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹(𝛼;𝑝;𝑛𝑒 −𝑝+1) maka dari itu H0 diterima, dengan demikian tidak terdapat
perbedaan keefektifan model pembelajaran SL dibandingkan dengan model pembelajaran RME ditinjau
dari berpikir kritis pada pembelajaran matematika
𝐹2 : 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 < 𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹(𝛼;𝑝;𝑛𝑒 −𝑝+1) maka dari itu H0 diterima, dengan demikian tidak terdapat
perbedaan keefektifan model pembelajaran SL dibandingkan dengan model pembelajaran RME ditinjau
dari berpikir kreatif pada pembelajaran matematika.
6. Pada halaman tersebut yang ditandai centang biru bisa diinputkan data berikut:
7. Setelah dicopy, maka pada bagian bawah data diinputkan lagi sintax berikut ini :
END DATA.
LIST.
MANOVA Y1 Y2 BY GPS(1,3)/
CONTRAST(GPS) = HELMERT/
PARTITION(GPS)/
DESIGN = GPS(1), GPS(2)/
PRINT = CELLlNFO(MEANS, COV)/
8. Tampilan lengkapnya setelah diinputkan semuanya yaitu :
9. Setelah tampilannya lengkap maka sudah bisa di lakukan Run, dengan cara klik “Run”
pada toolbar atas lalu klik “All”
10. Muncul output paling atas akan seperti ini:
11. Namun ketika di scrool kebawah akan ada informasi MANOVA seperti berikut:
12. Ketika sudah muncul seperti diatas maka sudah bisa dibaca data outputnya sebagai
berikut:
1. Multivariat 1
2. Multivariat 2
3. Univariat 1
4. Univariat 2
1. Import data
Environment Import Dataset from Text(base) Browse Import
Tampilan setelah data yang akan diuji diimport ke program R
2. Menghitung matriks kovarians
#covariant matrix
library(Morpho)
sp=covW(datakelompok5[,2:3],groups = datakelompok5$X)
sp
Output:
3. Menghitung rata-rata
#subseting each group
grup1=subset(datakelompok5[,2:3],datakelompok5$X=="Konvensional")
grup2=subset(datakelompok5[,2:3],datakelompok5$X=="SL")
grup3=subset(datakelompok5[,2:3],datakelompok5$X=="RME")
grup1
grup2
grup3
Output:
#compute xbar
xbar1=colMeans(grup1)
xbar2=colMeans(grup2)
xbar3=colMeans(grup3)
xbar=cbind(xbar1,xbar2,xbar3)
xbar
Output:
4. Multivariat GPS 1
#multivariat GPS 1
ni=c(10,10,10)
kontras=c(1,-0.5,-0.5)
konstant=solve(sum(kontras^2/ni))
psi=xbar%*%kontras
N=30
k=3
p=2
df1=p
df2=N-k-p+1
thotel=konstant*(t(psi)%*%(invsp%*%psi))
F=(N-k-p+1)*thotel/(N-k)/p
data.frame("T2"=thotel,"F"=F,"df1"=df1,"df2"=df2)
Output:
Karena 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 < 𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹(𝛼;𝑝;𝑛𝑒−𝑝+1) maka H0 diterima, dengan demikian tidak terdapat
perbedaan keefektifan model pembelajaran konvensional dibandingakan dengan model
pembelajaran SL dan RME ditinjau dari berpikir kritis dan berpikir kreatif pada pembelajaran
matematika.
5. Multivariat GPS 2
#multivariat GPS 2
ni=c(10,10,10)
kontras=c(0,1,-1)
konstant=solve(sum(kontras^2/ni))
psi=xbar%*%kontras
N=30
k=3
p=2
df1=p
df2=N-k-p+1
thotel=konstant*(t(psi)%*%(invsp%*%psi))
F=(N-k-p+1)*thotel/(N-k)/p
data.frame("T2"=thotel,"F"=F,"df1"=df1,"df2"=df2)
Output:
Karena 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 < 𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹(𝛼;𝑝;𝑛𝑒−𝑝+1) maka H0 diterima, dengan demikian tidak terdapat perbedaan
keefektifan model pembelajaran SL dibandingkan dengan model pembelajaran RME ditinjau dari
berpikir kritis dan berpikir kreatif pada pembelajaran matematika
6. Univariat GPS 1
xbar1=colMeans(grup1)
xbar2=colMeans(grup2)
xbar3=colMeans(grup3)
xbar=cbind(xbar1,xbar2,xbar3)
n=c(10)
kontras=c(1,-0.5,-0.5)
konstant=solve(sum(kontras^2))
msw1=sp[1,1]
msw2=sp[2,2]
psi=xbar%*%kontras
hypoth1=n*psi[1,1]*psi[1,1]/sum(kontras^2)
hypoth2=n*psi[2,1]*psi[2,1]/sum(kontras^2)
F1=hypoth1/msw1
F2=hypoth2/msw2
t1=psi[1,1]/sqrt(msw1*konstant)
t2=psi[2,1]/sqrt(msw2*konstant)
data.frame("F1"=F1,"t1"=t1)
data.frame("F2"=F2,"t2"=t2)
Output:
𝐹1 : 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹(𝛼;𝑝;𝑛𝑒 −𝑝+1) maka dari itu H0 ditolak, dengan demikian terdapat perbedaan
keefektifan model pembelajaran konvensional dibandingkan dengan model pembelajaran SL ditinjau
dari berpikir kritis dan berpikir kreatif pada pembelajaran matematika.
𝐹2 : 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 ≤ 𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹(𝛼;𝑝;𝑛𝑒 −𝑝+1) maka dari itu H0 diterima, dengan demikian tidak terdapat
perbedaan keefektifan model pembelajaran konvensional dibandingkan dengan model pembelajaran
RME ditinjau dari berpikir kritis dan berpikir kreatif pada pembelajaran matematika.
7. Univariat GPS 2
xbar1=colMeans(grup1)
xbar2=colMeans(grup2)
xbar3=colMeans(grup3)
xbar=cbind(xbar1,xbar2,xbar3)
n=c(10)
kontras=c(0,1,-1)
konstant=solve(sum(kontras^2))
msw1=sp[1,1]
msw2=sp[2,2]
psi=xbar%*%kontras
hypoth1=n*psi[1,1]*psi[1,1]/sum(kontras^2)
hypoth2=n*psi[2,1]*psi[2,1]/sum(kontras^2)
F1=hypoth1/msw1
F2=hypoth2/msw2
t1=psi[1,1]/sqrt(msw1*konstant)
t2=psi[2,1]/sqrt(msw2*konstant)
data.frame("F1"=F1,"t1"=t1)
data.frame("F2"=F2,"t2"=t2)
Output:
𝐹1 : 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 < 𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹(𝛼;𝑝;𝑛𝑒 −𝑝+1) maka dari itu H0 diterima, dengan demikian tidak terdapat
perbedaan keefektifan model pembelajaran SL dibandingkan dengan model pembelajaran RME ditinjau
dari berpikir kritis pada pembelajaran matematika
𝐹2 : 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 < 𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹(𝛼;𝑝;𝑛𝑒 −𝑝+1) maka dari itu H0 diterima, dengan demikian tidak terdapat
perbedaan keefektifan model pembelajaran SL dibandingkan dengan model pembelajaran RME ditinjau
dari berpikir kreatif pada pembelajaran matematika.