Buku Ajar Statistika Parametrik Dasar: Uji Hubungan, Uji Perbedaan, Dan Aplikasinya Menggunakan JASP

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/367150943
Buku Ajar Statistika Parametrik Dasar: Uji Hubungan, Uji Perbedaan, dan Aplikasinya Menggunakan JASP
Book · January 2023
CITATIONS READS
0 709
1 author:
Ali Mashuri
Brawijaya University
79 PUBLICATIONS 457 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Acknowledging common Abrahamic heritage View project
All content following this page was uploaded by Ali Mashuri on 03 March 2023.
The user has requested enhancement of the downloaded file.

| i
Statistika Parametrik Dasar

(Uji Hubungan, Uji Perbedaan,
dan Aplikasinya
Menggunakan JASP)
ii |
| iii
- Ali Mashuri, S.Psi., M.Sc., PhD -
Statistika Parametrik Dasar

(Uji Hubungan, Uji Perbedaan,
dan Aplikasinya
Menggunakan JASP)
Inara Publisher
2023
iv |
Perpustakaan Nasional: Katalog dalam Terbitan (KDT)

Ali Mashuri, S.Psi., M.Sc., PhD
Statistika Parametrik Dasar (Uji Hubungan, Uji Perbedaan, dan Aplikasinya

Menggunakan JASP)
Ed. 1, -1- Malang: Inara Publisher, 2023

xx + 444 hlm., 15,5 cm x 23 cm
ISBN: 978-623-5970-77-6
I. Matematika Statistika l. Judul

519.5
Hak cipta 2023, pada penulis
Dilarang mengutip sebagian atau seluruh isi buku dengan cara

apa pun, baik berupa fotokopi, scan, PDF, dan sejenisnya.
Anggota IKAPI No. 306/JTI/2021
Cetakan I, Januari 2023

Hak penerbitan pada Inara Publisher
Desain Sampul: Dana Ari

Layout Isi: Nur Saadah
Dicetak oleh PT Cita Intrans Selaras (Citila Grup)
Diterbitkan pertama kali oleh Inara Publisher

Jl. Joyosuko Agung RT. 3 / RW. 12 No. 86, Malang
Telp. 0341-588010/CS. 081336120162
Email: inara.publisher@gmail.com
Web: www.inarapublisher.com
| v
Pengantar Penulis
Buku ajar ini membahas statistika parametrik tingkat dasar,

sebagai materi perkuliahan yang relevan untuk dipelajari oleh
mahasiswa yang menempuh pendidikan sarjana. Secara lebih
spesifik, cakupan materi buku ajar ini berkaitan dengan statistika
parametrik univariat, yang melibatkan hanya satu variabel dependen
dan satu atau lebih variabel independen. Statistika parametrik
univariat dalam buku ajar ini menelaah dua tema atau topik utama,
yaitu uji hubungan dan uji perbedaan.
Uji hubungan mencakup materi mengenai pearson product
moment, korelasi parsial dan korelasi semi parsial, regresi linear
sederhana, serta regresi linear ganda yang melibatkan dua dan tiga
prediktor. Uji perbedaan mencakup materi mengenai one-sample t-
test, independent samples t-test, paired samples t-test, one-way dan
two-way between-subjects ANOVA, one-way dan two-way repeated
measures ANOVA, serta mixed ANOVA. Bagian akhir buku ajar ini
berisi materi mengenai pengantar analisis mediasi dan analisis
moderasi. Tambahan materi pengantar analisis mediasi dan analisis
moderasi ini bertujuan agar mahasiswa yang berminat melanjutkan
pendidikan ke jenjang strata dua atau magister lebih siap
mempelajari dan menguasai analisis data dalam rancangan penelitian
kuantitatif yang lebih rumit.
vi |
Contoh-contoh rancangan penelitian kuantitatif dalam buku

ajar ini mengawali dan mendasari penghitungan manual uji
hubungan dan uji perbedaan parametrik. Tujuannya adalah agar
mahasiswa mampu mengaplikasikan uji hubungan dan uji perbedaan
parametrik dalam suatu konteks dan aplikasi penelitian. Dengan
demikian, untuk mampu memahami penghitungan manual uji
hubungan dan uji perbedaan parametrik, mahasiswa harus mampu
memahami konsep-konsep yang bersinggungan dengan desain
penelitian kuantitatif, yaitu variabel penelitian dan hipotesis
penelitian. Buku ajar ini menggunakan JASP (Jeffreys's Amazing
Statistics Program) sebagai perangkat lunak untuk membuktikan
akurasi proses dan hasil penghitungan manual uji hubungan
parametrik dan uji perbedaan parametrik.
JASP adalah program lunak statistika yang gratis (free) dan mudah
digunakan (user friendly). Meskipun demikian, dalam beberapa contoh
pengerjaan soal, buku ajar ini melengkapi JASP dengan perangkat lunak
statistika lain, yaitu SPSS (Statistical Package for the Social Sciences).
Menggunakan JASP, buku ajar ini memvalidasi pengerjaan manual
contoh-contoh soal uji hubungan parametrik dan uji perbedaan
parametrik secara langkah demi langkah (step by step). Langkah-langkah
tersebut mulai dari menginput data, menjalankan JASP dan menyeleksi
analisis statistika yang sesuai, sampai dengan verifikasi asumsi-asumsi
dalam uji hubungan parametrik dan uji perbedaan parametrik. Dengan
tujuan membekali wawasan dan keterampilan mahasiswa untuk
menulis dan memublikasikan karya ilmiah mereka, bagian akhir dalam
setiap contoh pengerjaan soal adalah laporan statistika sesuai dengan
kaidah American Psychological Association (APA) edisi 7.
Sebagai kesimpulan, buku ajar ini menelaah materi uji
hubungan dan uji perbedaan dalam statistika parametrik univariat.
Setiap bahasan dilengkapi dengan contoh-contoh soal yang secara
subtantif dirancang sebagai aplikasi uji hubungan dan uji perbedaan
parametrik univariat dalam suatu penelitian empiris. Masing-masing
contoh soal dikerjakan baik secara manual atas dasar rumus-rumus
tertentu maupun dengan menggunakan perangkat lunak JASP.
| vii
Dalam proses dan finalisasi buku ajar ini, saya mengucapkan banyak
terima kasih kepada istri dan putri tercinta, Esti Zaduqisti dan Nuruz
Shidqiya Sajidah, atas dukungan dan motivasi yang mereka berikan.
Malang, 05 Januari 2023
Penulis
viii |
Pengantar Penerbit
Statistika parametrik adalah statistik yang mendasarkan pada

parameter-parameter tertentu, seperti rata-rata, varians dan
sebagainya. Umumnya parameter-parameter tersebut diperoleh dari
data yang berdistribusi normal. Dalam analisis dengan metode statistika
parameterik ada beberapa asumsi yang harus dipenuhi seperti halnya:
Variabel penelitian harus mengikuti distribusi normal; Ukuran sampel
memenuhi syarat sesuai dengan besarnya populasi; Skala pengukuran
yang dipakai variabel tersebut adalah skala pengukuran yang paling
kuat/maksimum (minimum skala pengukuran interval).
Penggunaan statistik parametrik berfokus pada jenis sebaran
atau distribusi suatu data. Artinya dalam distribusi data statistik
mempertimbangkan apakah data yang dimiliki dapat menyebar
secara normal atau tidak. Data yang dimiliki nantinya akan masuk
dalam proses analisis dan pengolahan data. Dalam perlakuan analisis
data menggunakan statistika parametrik perlu memenuhi asumsi
normalitas. Pada umumnya ketika asumsi ini tidak lulus, maka harus
beralih metode.
Secara umum buku yang hadir di hadapan pembaca ini
termasuk pada buku ajar. Sesuai dengan judulnya buku ini
membahas tentang statistika parametrik tingkat dasar. Konkretnya
buku ini membahas tentang statistika parametrik univariat yang
mengkaji yakni uji hubungan dan uji perbedaan. Selain itu buku ini
dalam pembahasannya juga memasukkan variabel dependen dan
variabel independen. Mengingat urgensitas isi buku ajar ini, penerbit
merekomendasikan untuk dipelajari oleh akademisi yang
menggunakan statistika parametrik dalam penelitiannya.
| ix
Daftar Isi
Pengantar Penulis __ v
Pengantar Penerbit __ viii
Daftar Isi __ ix
Bab 1:
Pengantar Statistika Parametrik __ 1
Bab 2:
Pengenalan Perangkat Lunak JASP __ 16
Bab 3:
Laporan Statistik Sesuai Kaidah American Psychological Association
(APA) Edisi 7 __ 21
Bab 4:
Pengantar Statistika Parametrik Uji Hubungan __ 25
Bab 5:
Statistika Parametrik Uji Hubungan Pearson Product Moment __ 33
Bab 6:
Statistika Parametrik Uji Hubungan Korelasi Parsial (Partial
Correlation) dan Korelasi Semi Parsial (Semi Parsial Correlation, Part
Correlation) __ 55
Bab 7:
Statistika Parametrik Uji Hubungan Regresi Linier Sederhana __ 75
x |
Bab 8:
Statistika Parametrik Uji Hubungan Regresi Linier Ganda __ 98
Bab 9:
Pengantar Statistika Parametrik Uji Perbedaan __ 142
Bab 10:
Statistika Parametrik Uji Perbedaan One-Sample T-Test __ 147
Bab 11:
Statistika Parametrik Uji Perbedaan Independent Samples T-Test __ 156
Bab 12:
Statistika Parametrik Uji Perbedaan Paired Samples T-Test __ 190
Bab 13:
Statistika Parametrik Uji Perbedaan One-Way Between-Subjects
Analysis of Variance __ 211
Bab 14:
Statistika Parametrik Uji Perbedaan One-Way Repeated Measures
Anova __ 230
Bab 15:
Statistika Parametrik Uji Perbedaan Two-Way Between-Subjects
Anova __ 250
Bab 16:
Statistika Parametrik Uji Perbedaan Two-Way Repeated Measures
Anova __ 294
Bab 17:
Statistika Parametrik Uji Perbedaan Mixed Anova __ 315
| xi
Bab 18:
Analisis Mediasi __ 338
Bab 19:
Analisis Moderasi __ 364
Latihan Soal __ 384

Index __ 406
Daftar Pustaka __ 411
Lampiran __ 417
Tentang Penulis __ 433
xii |
Daftar Gambar
Gambar 1. Keterkaitan Definisi Statistika dengan Data Numeris
dan Kasus. __ 2
Gambar 2. Kategori, Asumsi, dan Jenis Data Statistika
Parametrik. __ 3
Gambar 3. Ilustrasi Penskalaan ke Bawah (Scaling Down) Variabel
Usia. __ 7
Gambar 4. Jenis-Jenis Variabel Menurut Posisinya dalam
Penelitian. __ 8
Gambar 5. Jenis-Jenis Hipotesis Penelitian. __ 10
Gambar 6. Tampilan Website JASP. __ 17
Gambar 7. Tampilan Layar Awal JASP. __ 18
Gambar 8. Setting Output Analisis JASP. __ 18
Gambar 9. Tampilan Show Modules Menu. __ 19
Gambar 10. Pilihan Menu-Menu Statistik. __ 19
Gambar 11. Tampilan Layar Input Data di JASP. __ 20
Gambar 12. Korelasi Positif. __ 27
Gambar 13. Korelasi Negatif. __ 27
Gambar 14. Contoh Korelasi Nonlinier Berbentuk U. __ 28
Gambar 15. Contoh Korelasi Nonlinier Berbentuk U Terbalik. __ 29
Gambar 16. Contoh Korelasi Sempurna Arah Positif. __ 29
Gambar 17. Contoh Korelasi Sempurna Arah Negatif. __ 30
Gambar 18. Contoh Korelasi Kurang Sempurna Arah Positif. __ 31
Gambar 19. Contoh Korelasi Kurang Sempurna Arah Negatif. __ 31
Gambar 20. Contoh Korelasi Mendekati Nol. __ 32
Gambar 21. Diagram Ven Komponen Variansi Korelasi Antara
Variabel X1, Variabel X2, dan Variabel Y. __ 56
Gambar 22. Rata-Rata (Mean), Sumber Variansi Regresi, Sumber
Variansi Residu, dan Persamaan Regresi dalam
| xiii
Hubungan antara Variabel Independen (X) dan

Variabel Dependen (Y). __ 76
Gambar 23. Total Effect, Direct Effect, dan Indirect Effect dalam
Model Hubungan Antara Variabel Independen (X),
Mediator (M), dan Variabel Dependen (Y). __ 339
Gambar 24. Contoh Mediator Paralel (Parallel Mediators). __ 340
Gambar 25. Contoh Mediator Serial (Serial Mediators). __ 340
Gambar 26. Hasil Gambar Peran Jumlah Jam Belajar (MM) sebagai
Mediator Hubungan Motivasi Belajar (X) dan Prestasi
Belajar (Y) Menggunakan JASP. __ 346
Gambar 27. Hasil Gambar Peran Kebencian (M1) dan Revenge
(M2) sebagai Mediator Hubungan Patriotisme Buta
(X) dan Konflik antar Kelompok (Y) Menggunakan
JASP. __ 357
Gambar 28. Hubungan Variabel Moderator,Variabel Independen,
dan Variabel Dependen __ 365
Gambar 29. Visualiasi Peran Jenis Kelamin (W) sebagai Moderator
Hubungan Pencarian Sensasi (X) dan Risky
Driving __ 375
xiv |
Daftar Tabel
Tabel 1. Simbol Statistik Berbagai Macam Hipotesis

Penelitian. __12
Tabel 2. Makna Level Signifikansi dan Taraf Kepercayaan dalam
Uji Hipotesis Penelitian. __13
Tabel 3. Kaidah dan Contoh Penulisan Simbol Statistik Menurut
APA Edisi 7. __21
Tabel 4. Kaidah dan Contoh Laporan Statistik Menurut APA
Edisi 7. __23
Tabel 5. Jenis-Jenis Uji Hubungan dalam Statistika
Parametrik. __26
Tabel 6. Data Hubungan Rasa Bermusuhan dan Berkendaraan
Secara Berbahaya Siswa SMA XYZ. __35
Tabel 7. Tranformasi Tabel 6 Data Hubungan Rasa
Bermusuhan dan Berkendaraan Secara Berbahaya
Siswa SMA XYZ. __36
Tabel 8. Data Hubungan antara Pemikiran Terbuka dan
Kepercayaan Terhadap Hoax. __45
Tabel 9. Tranformasi Tabel 8 Data Hubungan antara Pemikiran
Terbuka dan Kepercayaan Terhadap Hoax. __46
Tabel 10. Data Hubungan Legitimasi Pemerintah, Sikap Positif
terhadap Populisme, dan Kepatuhan Masyarakat kepada
Pemerintah. __60
Tabel 11. Sumber Variasi, Derajat Bebas, Jumlah Kuadrat, dan
Mean Kuadrat untuk Menentukan Signifikansi
Keseluruhan Model Regresi. __78
Tabel 12. Data Peran Empati terhadap Tendensi Prososial. __82
| xv
Tabel 13. Transformasi Data dalam Tabel 12 Peran Empati terhadap

Tendensi Prososial. __83
Tabel 14. Penentuan Signifikansi Linieritas Model Regresi Peran
Empati terhadap Tendensi Prososial. __85
Mean Kuadrat untuk Menentukan Linieritas Model
Regresi Ganda Ganda dengan Dua Prediktor. __99
Tabel 16. Data Peran Identifikasi Nasional dan Pengambilan
Perspektif terhadap Toleransi Beragama. __103
Tabel 17. Hasil Penghitungan Sumber Variasi, Derajat Bebas,
Jumlah Kuadrat, dan Mean Kuadrat untuk Menentukan
Linieritas Model Regresi Ganda Ganda dengan Dua
Prediktor. __107
Tabel 18. Data Peran Kepribadian Ekstrovert, Imitasi Teman
Sebaya, dan Persespi Normatif terhadap Kecanduan
Gadget. __123
Jumlah Kuadrat, dan Mean Kuadrat untuk
Menentukan Linieritas Model Regresi Ganda dengan
Tiga Prediktor. __128
Tabel 20. Jenis-Jenis dan Karakteristik Uji Perbedaan
Univariat. __145
Tabel 21. Kategorisasi Level Effect Size (d). __149
Tabel 22. Distribusi IQ 10 Siswa Kelas 13 SMP XYZ. __149
Tabel 23. Kategorisasi Persentase Pengaruh dalam Uji Perbedaan
Independent Samples t-Test. __159
Tabel 24. Data Hasil Nilai Mata Kuliah Pengantar Statistika pada
Mahasiswa yang Diberikan Pengajaran Partisipatif dan
Nonpartisipatif. __160
Tabel 25. Data Hasil Nilai Mata Kuliah Statistika Lanjut pada
Mahasiswa yang Diberikan Pengajaran Feedback dan
Pengajaran Tanpa Feedback. __169
Tabel 26. Tingkat Radikalisme Beragama pada Individu
Berkepribadian A dan Individu Berkepribadian B. __180
xvi |
Tabel 27. Kemampuan Menghafalkan Kata-Kata Benda pada Siswa

dalam Kondisi Visualisasi Kata dan Abstraksi Kata. __193
Tabel 28. Tingkat Faking Good dalam Pre-Test dan Post-
Test. __202
Tabel 29. Sumber Variasi, Derajat Bebas, Jumlah Kuadrat, dan Mean
Kuadrat untuk Menentukan Signifikansi Uji Perbedaan
One-Way Between-Subjects ANOVA. __214
Tabel 30. IQ Siswa Berdasarkan Empat Jenis SMP. __216
Tabel 31. Hasil Penghitungan Sumber Variasi, Derajat Bebas, Jumlah
Kuadrat, dan Mean Kuadrat untuk Menentukan Signifikansi
Pengaruh Jenis SMP terhadap IQ Siswa. __217
Mean Kuadrat untuk Menentukan Signifikansi Uji
Perbedaan One-Way Repeated Measures ANOVA. __231
Tabel 33. Nilai Mata Kuliah Statistika Berdasarkan Bentuk
Pengajaran. __235
Signifikansi Pengaruh Latihan Soal terhadap Nilai
Statistika. __237
Perbedaan Two-Way Between-Subjects ANOVA. __252
Tabel 36. Keterangan Istilah-Istilah dan Simbol-Simbol Statistika
dalam Tabel 35. __253
Tabel 37. Pengaruh Metode Pengajaran dan Model Evaluasi
Pembelajaran terhadap Nilai Statistika Mahasiwa. __256
Signifikansi Pengaruh Metode Pengajaran dan Model
Evaluasi Pembelajaran terhadap Nilai Statistika. __259
Tabel 39. Data Pengaruh Ancaman Globalisasi dan Permeabilitas
Status terhadap Emosi Negatif Antarkelompok. __274
| xvii

Signifikansi Pengaruh Ancaman Globalisasi dan
Permeabilitas Kelompok terhadap Emosi Negatif
Antarkelompok. __277
Perbedaan Two-Way Repeated Measures ANOVA. __295
dalam Tabel 41. __296
Tabel 43. Data Hasil Penelitian Pengaruh Jenis Stimulasi dan Durasi
Paparan Stimulasi terhadap Kemampuan Siswa SD
Menguasai Arti Kata-Kata Abstrak dalam Rancangan Uji
Perbedaan Two-Way Repeated Measures ANOVA.__299
Signifikansi Pengaruh Jenis Stimulasi dan Durasi Paparan
Stimulasi terhadap Kemampuan Siswa SD Menguasai Arti
Kata-Kata Abstrak. __301
Perbedaan Mixed ANOVA. __317
dalam Mixed ANOVA. __318
Tabel 47. Data Hasil Penelitian Pengaruh Kinerja Wasit dan
Rivalitas terhadap Fanatisme Klub Sepakbola dalam
Rancangan Uji Perbedaan Mixed ANOVA. __322
Tabel 48. Pengembangan Data dalam Tabel 47. __322
Tabel 49. Hasil Sumber Variasi, Derajat Bebas, Jumlah Kuadrat, dan
Mean Kuadrat untuk Menentukan Signifikansi Pengaruh
Kinerja Wasit dan Rivalitas terhadap Fanatisme Klub
Sepakbola dalam Rancangan Uji Perbedaan Mixed
ANOVA. __324
xviii |
Tabel 50. Peran Jam Belajar dalam Seminggu dalam

Memediasi Pengaruh Motivasi Belajar terhadap
Prestasi Belajar. __341
Tabel 51. Data Penelitian Revenge dan Kebencian sebagai Mediator
Peran Patriotisme Buta sebagai Pemantik Dukungan
terhadap Konflik Antarkelompok. __352
Tabel 52. Data Hubungan Pencarian Sensasi dan Risky Driving Atas
Dasar Jenis Kelamin. __367
Tabel 53. Data Hubungan Ancaman Kelompok dan Kepercayaan
pada Teori Konspirasi Atas Dasar Identifikasi
Kelompok. __376
Tabel 54. Kepercayaan Diri Remaja Berdasarkan Tiga Jenis Pola
Asuh__384
Tabel 55. Hooliganisme Atas Dasar Status Sosial Ekonomi dan
Glorifikasi Klub Sepak Bola__386
Tabel 56. Tingkat Depresi di Bulan Januari, Juni, dan
Desember__388
Tabel 57. Kepribadian Ekstrovert, Jaringan Sosial, dan
Kebahagiaan__390
Tabel 58. Performa Kerja Operator yang Bekerja di Ruangan AC
dan Non -AC__391
Tabel 59. Work Life Balance dan Turnover Intention__393
Tabel 60. Keterampilan Bantu Diri pada Anak Sebelum dan Setelah
Terapi Okupasi__394
Tabel 61. Regulasi Emosi Siswa SD, SMP, dan SMA __396
Tabel 62. Radikalisme Beragama dalam Control Condition, Low
Conflict Condition, dan High Conflict Condition __398
Tabel 63. Ancaman Kelompok, Superioritas Kelompok, dan
Prasangka __400
Tabel 64. Persepsi Terhadap Stres, Resiliensi Menghadapi Stres, dan
Kesejahteraan Psikis Lansia __402
Tabel 65. Pengaruh Identifikasi Kelompok dan Status Kelompok
Lain terhadap Outgroup Helping__404
| xix
xx |
-1-
BAB 1
Pengantar
Statistika Parametrik
A. Definisi Statistika Parametrik

Buku ajar ini terlebih dahulu membahas arti dari statistika
sebelum menguraikan definisi statistika parametrik. Gambar 1. di
bawah ditampilkan untuk memudahkan pemahaman mengenai
statistika. Sebagaimana bisa dilihat pada Gambar 1, statistika
berkaitan dengan tiga hal, yaitu data numeris, kasus (case), dan
atribut (atributes).
Mengacu pada Gambar 1. di bawah, statistiska merupakan cabang
Ilmu Matematika yang bertujuan untuk mengoleksi, mengorganisasi,
menganalisis, menginterpretasi, dan mempresentasikan data (Romeijen,
2014). Data sebagai landasan analisis statistika merupakan fakta-fakta
numeris (fakta-fakta yang berkaitan dengan angka) mengenai suatu
kasus, yaitu entitas dalam unit pengamatan dan pengumpulan data.
Kasus tersebut kemudian dirinci lagi ke dalam satu atau lebih atribut,
dengan tujuan untuk mendapatkan informasi lebih detail mengenai
kualitas suatu kasus.
Kasus bisa berkaitan dengan, misalnya, entitas orang (person)
dengan atribut-atribut seperti usia, jenis kelamin, atau tanggal
kelahiran. Kasus juga bisa berupa entitas peristiwa (events) dengan
atribut-atribut seperti aktivitas, waktu, dan sumber daya (Bose dkk.,
2013). Sebagai contoh di bidang Psikologi adalah skor tes mahasiswa
-2-
sebagai data yang memberikan informasi numeris tentang tingkat

kemampuan mahasiswa dalam menguasai materi perkuliahan. Dalam
contoh ini, mahasiswa merupakan kasus, karena tiap-tiap mahasiswa
secara individual merupakan unit pengamatan. Sementara itu, atribut
adalah skor tes penguasaan materi perkuliahan. Contoh yang lain,
misalnya, adalah seorang Sosiolog yang tertarik membandingkan
tingkat kriminalitas 10 kota membuat peringkat ke-sepuluh kota
tersebut secara sedemikian rupa sehingga kota yang paling tinggi
tingkat kriminalitasnya diberi peringkat 1 sementara kota yang
terendah tingkat kriminalitasnya diberi peringkat 10. Dalam contoh
ini, kota adalah kasus, sementara peringkat kriminalitas merupakan
atribut (Diekoff, 1996).
Gambar 1. Keterkaitan Definisi Statistika

dengan Data Numeris dan Kasus.
Sumber: Pengarang.
Berdasarkan uraian di atas, statistika memiliki dua tujuan utama

(Gavetter dkk., 2020). Tujuan pertama statistika adalah
mengorganisasikan dan menyimpulkan infomasi sehingga peneliti
bisa memahami apa yang terjadi dalam risetnya dan bisa
mengkomunikasikan hasil-hasil risetnya kepada pihak lain. Tujuan
kedua statistika adalah memudahkan peneliti dalam menjawab
pertanyaan-pertanyaan penelitian dengan cara menentukan secara
-3-
tepat kesimpulan-kesimpulan yang dibenarkan atas dasar temuan-

temuan penelitian.
Pembahasan tentang statistika dalam Ilmu-Ilmu Sosial pada
umumnya dan Ilmu Psikologi pada khususnya bisa dibagi ke dalam
dua topik utama, yaitu statistika deskriptif dan statistika inferensial
(Creswell, 2012). Statistika deskriptif dan statistika inferensial sama-
sama melibatkan analisa data, tetapi cakupan dua jenis statistika
tersebut berbeda. Statistika deskriptif bertujuan untuk memberikan
gambaran dan karakteristik data. Tema-tema dalam statistik
deskriptif mencakup, misalnya, ‘tendensi sentral (mean atau rata-
rata, median, modus), variabilitas (range, varians, standar deviasi),
dan posisi relatif (kuartil, desil, persentil, skor z). Tema tema lain yang
bisa juga dimasukkan dalam statistika deskriptif mencakup
pembuatan grafik histogam, poligon, ogif, dan lain-lain, termasuk
kurva normal yang di dalamnya dibahas tentang kemencengan
(skewness) dan kurtosis (Diekoff, 1996).
Statistika inferensial sementara itu berkaitan dengan tidak
sekedar deskripsi data tetapi juga teknik-teknik mendapatkan sampel
dan selanjutnya membuat inferensi atau kesimpulan-kesimpulan
ataupun prediksi tentang populasi atas dasar sampel data tersebut
(Pagano, 2012). Gambar 2. berikut ini memetakan perbedaan antara
statistika deskriptif dan statistika inferensial.
Gambar 2. Kategori, Asumsi, dan Jenis Data Statistika Parametrik.

Sumber: Penulis.
-4-
Mengacu pada Gambar 2. di atas, statistika inferensial selanjutnya

dibagi ke dalam dua cakupan, yaitu statistika parametrik dan statistika
nonparametrik. Statistika parametrik didasarkan pada asumsi bahwa
data yang dianalisis berdistribusi normal. Statistika parametrik
umumnya diterapkan pada data berjenis interval maupun rasio.
Statistika nonparametrik digunakan ketika data tidak terdistribusi secara
normal. Jenis data yang diolah dalam statistika nonparametrik biasanya
bersifat nominal maupun ordinal (Williamson, 2002).
B. Skala Pengukuran Nominal, Ordinal, Interval, dan Rasio

Data, sebagai fakta-fakta yang diekspresikan secara numeris yang
menjadi intisari analisis statistika, merupakan hasil dari suatu
pengukuran. Pengukuran adalah aplikasi atau penerapan suatu
aturan sebagai dasar pemberian angka pada kasus untuk
menampilkan ada tidaknya sejumlah atribut yang dimiliki oleh
masing-masing kasus. Contoh-contoh pengukuran sangat melimpah.
Misalnya, menghitung jumlah mil atau kilo yang ditempuh selama
satu jam merupakan cara mengukur kecepatan. Akan tetapi,
pengukuran dalam Ilmu-Ilmu Sosial dan Ilmu-Ilmu Perilaku,
termasuk Ilmu Psikologi, tidak semudah dan sejelas pengukuran
dalam bidang fisik seperti contoh di atas. Penyebabnya adalah atribut-
atribut seperti inteligensi, mood, sikap, iklim organisasi dan lain-lain
bersifat abstrak, bukannya bersifat konkret seperti temperatur
ataupun kecepatan misalnya. Pada dasarnya, jenis-jenis pengukuran
dalam Ilmu-Ilmu Sosial dan Ilmu-Ilmu Perilaku bisa dikelompokkan
ke dalam empat kategori skala pengukuran, yaitu skala pengukuran
rasio, interval, ordinal, dan nominal (Cohen dkk., 2014; Diekoff,
1996).
1. Skala Pengukuran Rasio
Skala pengukuran rasio adalah skala tertinggi dan terideal. Nilai
nol dalam skala rasio bersifat mutlak atau riil. Angka atau nilai nol
dalam skala rasio bersifat mutlak dalam arti bahwa angka atau nilai nol
menunjukkan ketiadaan suatu fenomena. Konsekuensinya, operasi
matematika mulai dari penambahan, pengurangan, perkalian, dan
-5-
pembagian bisa diberlakukan dalam skala pengukuran rasio. Beberapa

contoh adalah pengukuran waktu (mulai dari detik, menit dan
seterusnya sampai dengan tahun), panjang (mulai dari milimeter
sampai dengan kilometer), dan berat (mulai dari miligram sampai
dengan kilogram).
2. Skala Pengukuran Interval
Dalam skala pengukuran interval, nilai nol tidak bersifat mutlak
atau bersifat relatif. Implikasinya, nilai nol dalam skala pengukuran
interval tidak menunjukkan ketiadaan suatu fenomena. Alat ukur
psikologis seperti sikap, inteligensi, emosi, dan lain-lain termasuk
skala interval. Sebagai contoh, jika seorang individu menjawab salah
semua soal IQ (intelligence quotient) tidak berarti bahwa individu
tersebut tidak memiliki IQ. Karena nilai nol bersifat relatif maka
dalam skala interval, operasi matematika yang bisa diterapkan adalah
penambahan dan pengurangan. Perkalian dan pembagian tidak bisa
diterapkan dalam skala interval. Jika A memiliki IQ 100 dan B
memiliki IQ 200, misalnya, maka selisih IQ B dan IQ A adalah 100.
Selisih 100 ini, perlu ditekankan, bukan berarti bahwa IQ B bernilai
dua kali dari IQ A.
3. Skala Pengukuran Ordinal
Skala pengukuran ordinal dibuat dalam bentuk urutan peringkat
atau tata jenjang. Sama seperti skala interval, nilai atau angka nol dalam
skala ordinal tidak bersifat mutlak. Berbeda dengan skala interval,
operasi penambahan dan pengurangan, terlebih lagi perkalian dan
pembagian, tidak bisa diterapkan dalam skala ordinal. Hal ini
disebabkan variasi atau ragam nilai atau angka dalam skala ordinal
tidak sepenuhnya mencerminkan variasi nilai versi aslinya. Dalam
contoh sebelumnya, jika dibuat dalam bentuk skala ordinal, IQ A sebesar
100 diberi peringkat 2 dan IQ B sebesar 200 diberi peringkat 1. Dalam
skala interval, gap atau selisih yang sebenarnya antara IQ B dan IQ A
adalah 100. Dalam skala ordinal, selisih IQ antara kedua orang tersebut
adalah 1.
-6-
Dalam level skala ordinal berlaku hukum transformasi

monotonik (monotonic transformation) yang memungkinkan
penggantian angka atau nilai pada variabel ordinal dengan syarat
bahwa penggantian tersebut tetap memperhatikan urutan atau tata
jenjang sesuai versi aslinya. Sebagai contoh, IQ lima orang secara
berurutan adalah 200, 180, 160, 150, dan 100. Jika diubah ke dalam skala
ordinal, urutan IQ tersebut menjadi 1, 2, 3, 4, dan 5. Transformasi
monotonik dilakukan dengan mengganti urutan menjadi, misalnya, 3,
10, 35, 47, 201. Tranformasi monotonik tidak boleh dilakukan dengan
cara, misalnya, mengganti urutan menjadi 10, 16, 12, 18, dan 20 karena
sistem urutan ini telah mengubah rangking atau pemeringkatan asli dari
kasus kedua dan ketiga (Zhang, 2013).
4. Skala Pengukuran Nominal
Skala nominal dinyatakan sebagai bentuk terendah dari
pengukuran karena nilai atau angka yang dilekatkan pada variabel
nominal tidak memiliki magnitude (besar-kecilnya) atau kuantitas
dari fenomena atau atribut yang diukur. Nilai atau angka yang
melekat dalam skala nominal ditujukan untuk kategorisasi. Dalam
kategorisasi ini, nilai atau angka dipilih dan ditetapkan secara arbitrer
atau sembarangan. Sebagai contoh adalah variabel jenis kelamin, yang
terdiri dari dua kategori. Kategori pertama adalah pria yang diberi
skor 1. Kategori kedua adalah wanita yang diberi skor 0, atau pun
sebaliknya, pria diberi skor 0 sementara wanita 1. Pria yang diberi
skor 1 bukan berarti lebih tinggi atau lebih banyak dibandingkan
wanita yang diberi skor 0.
5. Penskalaan ke Bawah (Scaling Down)
Penskalaan ke bawah (scaling down) menunjuk pada tranformasi
suatu variabel ke tingkat pengukuran di bawahnya tetapi tidak bisa
berlaku sebaliknya (Diekoff, 1996). Dengan demikian, variabel berskala
rasio bisa ditransformasi menjadi variabel berskala interval, ordinal, dan
nominal. Variabel berskala interval bisa ditransformasi menjadi variabel
berskala ordinal dan nominal. Variabel berskala ordinal bisa
ditransformasi menjadi variabel berskala nominal.
-7-
Sebagai contoh adalah variabel usia. Jika diukur dalam basis

tahun, usia adalah variabel rasio di mana nila nol bersifat mutlak
karena mengindikasikan ketiadaan usia (belum ada kelahiran). Usia
selanjutnya bisa di-scale-down ke dalam variabel interval dalam
bentuk, sebagai contoh, jumlah tahun setelah lulus dari SMA. Dalam
kasus ini, usia nol menunjukkan suatu kasus saat kelulusan, yang
bersifat arbitrer dalam pengertian angka nol tersebut tidak berarti ‘belum
ada kelahiran’, meskipun tahun dalam kasus tersebut tetap
mencerminkan unit pengukuran yang bersifat tetap. Dari berskala
interval selanjutnya usia masih bisa diturunkan menjadi berskala ordinal
dalam bentuk pemeringkatan. Dalam pemeringkatan ini, usia yang
paling tua diberi rangking 1, usia tertua berikutnya diberi rangking 2, dan
seterusnya. Akhirnya, usia bisa ditransformasi ke dalam skala nominal
dengan sejumlah kategori, seperti usia muda setelah lulus SMA (18-24)
yang diberi kode 0, usia tengah baya setelah lulus SMA (25-45) yang
diberi kode 1, dan usia tua setelah lulus SMA (45 ke atas) yang diberi
kode 2. Gambar 3 berikut memvisualisasikan penskalaan ke bawah
dengan contoh variabel usia.
Gambar 3. Ilustrasi Penskalaan ke Bawah (Scaling Down) Variabel Usia.

Sumber: Penulis.
-8-
C. Variabel Penelitian
Variabel diartikan sebagai atribut yang memiliki variasi. Artinya,
sebagai suatu variabel, atribut harus memiliki nilai lebih dari satu.
Lawan dari variabel adalah konstanta, yaitu atribut yang hanya
memiliki satu nilai (Wilcox, 2008). Jumlah bulan yang mengitari
bumi misalnya bukan atribut yang mencerminkan variabel karena
jumlahnya hanya satu. Jumlah bulan dalam sistem tata surya
merupakan atribut yang layak disebut sebagai variabel karena
jumlahnya lebih dari satu. Beberapa konstanta matematik tidak
termasuk variabel karena hanya memiliki satu nilai, seperti Pi (π)
yang disebut juga sebagai Archimedes' constant dengan nilai ≈ 3.142.
Kategori jenis kelamin bisa dinyatakan sebagai variabel dengan
memberikan nilai, misalnya, pria sama dengan 1 dan wanita sama
dengan 0, atau sebaliknya.
Variabel penelitian memiliki berbagai macam jenis. Menurut
posisinya dalam penelitian, jenis-jenis variabel penelitian terdiri dari
variabel independen, variabel dependen, variabel mediator, dan
variabel moderator. Gambar 4. di bawah ini memvisualisasikan kaitan
antar keempat variabel tersebut.
Gambar 4. Jenis-Jenis Variabel Menurut Posisinya dalam Penelitian.

Sumber: Penulis.
-9-
Variabel independen umumnya diberi simbol X, yang diartikan

sebagai variabel yang berkaitan dengan, berperan atau berpengaruh
terhadap variabel lain dalam suatu penelitian. Variabel dependen
umumnya diberi simbol Y, yang menunjuk pada variabel yang variasi
skornya bisa dijelaskan atau dipengaruhi oleh variabel lain. Variabel
mediator adalah variabel yang menjadi alasan mengapa variabel
independen berperan atau berpengaruh terhadap variabel dependen.
Simbol variabel mediator adalah M (Hefner, 2017b; Milin & Hadžić,
2011). Terakhir, variabel moderator adalah variabel yang berperan
sebagai kondisi yang menentukan kuat-lemahnya peran atau pengaruh
variabel independen terhadap variabel dependen (Hefner, 2017a; Milin
& Hadžić, 2011). Simbol variabel moderator umumnya adalah V atau W
(Hayes, 2022; Hayes & Matthes, 2009).
Perlu ditekankan bahwa Gambar 4 di atas menampilkan model
hubungan antara variabel independen, dependen, mediator dan
moderator yang paling sederhana. Secara lebih kompleks, mediator
bisa bersifat paralel (berjumlah lebih dari satu) maupun serial atau
sekuential. Moderator juga bisa berjumlah lebih dari satu dan tidak
sebatas menentukan hubungan antara variabel independen dan
variabel dependen sebagaimana ditampilkan dalam Gambar 4 di atas.
Moderator juga bisa menentukan kuat lemahnya hubungan antara
variabel independen dan variabel mediator, hubungan antara variabel
mediator dan variabel dependen (Hayes, 2022; Hefner, 2017a; Milin
& Hadžić, 2011).
D. Hipotesis Penelitian
Secara akar kata atau etimologis, hipotesis berasal dari dua kata
Yunani: hypo yang berarti tidak pasti atau bersifat sementara dan
thesis yang bermakna teori. Secara operasional, hipotesis bermakna
sebagai suatu teori yang kebenarannya bersifat sementara dan perlu
diverifikasi atau diuji. Hipotesis memiliki beberapa ciri. Ciri pertama
adalah bahwa semua jenis hipotesis harus membuat atau menetapkan
prediksi. Ciri kedua adalah bahwa dalam bentuknya yang paling
sederhana, hipotesis diungkapkan dalam pernyataan ‘jika-maka’ (if-
then statement) (McKenzie, 2004).
- 10 -
Hipotesis bermanfaat untuk, pertama, mengorganisasikan usaha

peneliti dalam menjalankan suatu studi. Kedua, hipotesis merupakan
instrumen kerja teori. Ketiga, hipotesis bisa diuji secara empiris (riset
eksperimental mupun riset noneksperimental) sehingga hasil
pengujian ini bisa digunakan untuk menerima atau menolak hipotesis
tersebut.
Beberapa kriteria hipotesis yang benar adalah, pertama, hipotesis
harus diungkapkan dalam bentuk kalimat pernyataan atau kalimat
deklaratif dan bukannya kalimat tanya. Kedua, hipotesis harus berisi
pernyataan tentang hubungan antara minimal dua variabel, di mana
hubungan tersebut hendaknya juga memperjelas posisi variabel
(variabel apa yang berperan sebagai variabel independen, variabel apa
yang berperan sebagai variabel dependen). Ketiga, hipotesis harus
dapat diuji (testable) dalam pengertian bahwa hipotesis secara spesifik
menunjukkan bagaimana variabel-variabel penelitian bisa diukur dan
bagaimana prediksi hubungan antar variabel-variabel tersebut
(Williamson, 2002).
Gambar 5. Jenis-Jenis Hipotesis Penelitian.

Sumber: Penulis.
- 11 -
Gambar 5. di atas menyajikan beberapa jenis hipotesis

penelitian dan keterkaitannya satu sama lain (Ross, 2017). Hipotesis
pertama adalah hipotesis statistik, yang terdiri dari hipotesis uji
hubungan dan hipotesis uji perbedaan. Hipotesis uji hubungan
diterapkan dalam uji statistik korelasi, regresi, dan uji–uji statistik
hubungan lainya. Hipotesis uji perbedaan digunakan dalam uji statistik
t-test, analysis of variance (ANOVA), dan uji–uji statistik perbedaan
lainya. Kedua adalah hipotesis atas dasar tujuan penelitian. Hipotesis
nihil adalah hipotesis yang memprediksi hubungan antar variabel atau
perbedaan antar kelompok menyangkut variabel tertentu yang tidak
signifikan. Hipotesis nihil digunakan untuk menolak asumsi-asumsi
teoretik dan statistik yang diajukan. Hipotesis alternatif atau hipotesis
kerja adalah hipotesis yang memprediksi adanya signifikansi
hubungan antar variabel atau perbedaan kelompok menyangkut
variabel tertentu. Hipotesis ini digunakan untuk mendukung asumsi-
asumsi teoretik dan statistik yang diajukan.
Hipotesis alternatif/kerja selanjutnya dipilah lagi ke dalam dua
kategori: hipotesis dua arah (two-tailed) dan hipotesis satu arah (one-
tailed). Hipotesis alternatif dua arah tidak menyebutkan dan
menegaskan spesifikasi serta bentuk hubungan antar variabel
maupun perbedaan antar kelompok sehingga tidak jelas apakah
hubungan tersebut bersifat negatif ataukah positif serta kelompok apa
yang lebih tinggi dan kelompok apa yang lebih rendah. Hipotesis
alternatif satu arah menyebutkan dan menegaskan spesifikasi atau
bentuk hubungan antar variabel dan perbedaan antar kelompok. Arah
positif (+) dalam hipotesis alternatif satu arah menggambarkan beberapa
skenario. Pertama adalah skenario dalam uji hubungan. Dalam skenario
ini, hipotesis alternatif satu arah yang bersifat positif menggambarkan
korelasi positif, yaitu semakin tinggi variabel X, semakin tinggi variabel
Y, dan sebaliknya, semakin rendah variabel X, semakin rendah variabel
Y. Kedua adalah skenario dalam uji perbe-daan. Dalam skenario ini,
hipotesis alternatif satu arah yang bersifat positif menggambarkan bahwa
nilai rata-rata atau mean suatu variabel pada kelompok pertama lebih
besar dibandingkan kelompok kedua.
- 12 -
Arah negatif (–) dalam hipotesis alternatif satu arah menggambar-

kan beberapa skenario. Pertama adalah skenario dalam uji hubungan.
Dalam skenario ini, hipotesis alternatif satu arah yang bersifat negatif
menggambarkan korelasi negatif, yaitu semakin tinggi variabel X,
semakin rendah variabel Y, dan sebaliknya, semakin rendah variabel
X, semakin tinggi variabel Y. Kedua adalah skenario dalam uji
perbedaan. Dalam skenario ini, hipotesis alternatif satu arah yang
bersifat negatif menggambarkan bahwa nilai rata-rata atau mean
suatu variabel pada kelompok pertama lebih kecil dibandingkan
kelompok kedua.
Terakhir adalah simbol statistik untuk memformulasikan
hipotesis penelitian. Simbol statistik dalam hipotesis uji hubungan
adalah ρ. Simbol statistik dalam hipotesis uji perbedaan adalah μ.
Rincian lebih detail mengenai simbol statistik untuk
memformulasikan berbagai macam jenis hipotesis penelitian
ditampilkan dalam Tabel 1. di bawah ini.
Tabel 1. Simbol Statistik Berbagai Macam Hipotesis Penelitian.
Bentuk dan Arah
Uji hubungan Uji perbedaan
Dua Satu arah Dua Satu arah
Jenis-jenis hipotesis Tanp
arah (one-tailed) arah (one-tailed)
a Tanp
(two- (two-
arah Positi Negati a Positi Negati
tailed tailed
f f arah f f
) )
Simbol Ho;
Ho; μ1
Nihil statisti ρx1y1 — — — — — —
= μ2
k =0
Alternatif Simbol Ha; Ha; Ha; Ha; μ1 Ha; μ1 Ha; μ1

/ statisti — ρx1y1 ≠ ρx1y1 > ρx1y1 < ≠ μ2 > μ2 < μ2
—
kerja k 0 0 0
Sumber: Penulis.
Dalam Tabel 1. di atas, simbol statistik untuk hipotesis nihil adalah
Ho, simbol statistik untuk hipotesis alternatif atau hipotesis kerja
adalah Ha. Simbol ρx1y1 adalah korelasi antara sebuah variabel
independen (X) dan sebuah variabel dependen (Y1). Simbol μ1 adalah
- 13 -
rata-rata atau mean kelompok pertama, μ2 adalah rata-rata atau mean

kelompok kedua.
E. Taraf Signifikansi
Hipotesis nihil dalam uji hubungan menyatakan bahwa korelasi
antara variabel independen (X) dan variabel dependen (Y) tidak
signifikan di dalam populasi. Hipotesis nihil dalam uji perbedaan
menyatakan bahwa perbedaan rata-rata suatu variabel dependen (Y)
antara kelompok satu dan kelompok lainnya tidak signifikan di dalam
populasi. Hipotesis alternatif menyatakan sebaliknya bahwa korelasi
antara X dan Y, serta perbedaan rata-rata antara kelompok satu
dengan kelompok lainnya pada sampel penelitian adalah signifikan
pada level populasi.
Secara empiris, kebenaran hipotesis alternatif atau kerja
ditentukan melalui uji signifikansi. Terdapat beberapa tingkatan atau
level signifikansi, tetapi yang paling umum diterapkan adalah level
signifikansi (simbol = α) 0.05, 0.01, dan 0.001. Konsep statistika yang
berkaitan erat dengan level signifikansi adalah taraf kepercayaan. Level
signifikansi 0.05 sama dengan taraf kepercayaan 95%, level signifikansi
0.01 sama dengan taraf kepercayaan 99%, dan level signifikansi 0.001
sama dengan taraf kepercayaan 99.99% (Greenland, 2006). Tabel 2 di
bawah ini mendeskripsikan makna level signifikansi dan taraf
kepercayaan yang berkaitan dengan uji hipotesis.
Tabel 2. Makna Level Signifikansi dan Taraf Kepercayaan
dalam Uji Hipotesis Penelitian.
Level signifikansi
α = 0.05 α = 0.01 α = 0.001
Terdapat risiko sebesar Terdapat risiko sebesar Terdapat risiko sebesar
5% bahwa adanya 1% bahwa adanya 0.1% bahwa adanya
korelasi antar variabel korelasi antar variabel korelasi antar variabel
atau perbedaan antar atau perbedaan antar atau perbedaan antar
kelompok yang kelompok yang kelompok yang
signifikan dalam signifikan dalam signifikan dalam
sampel penelitian tidak sampel penelitian tidak sampel penelitian tidak
- 14 -
signikan dalam signikan dalam signikan dalam

populasi. populasi populasi
Taraf Kepercayaan
95% 99% 99.99%
Korelasi antar variabel
Korelasi antar variabel Korelasi antar variabel
atau perbedaan antar
atau perbedaan antar atau perbedaan antar
kelompok yang
kelompok yang kelompok yang
signifikan dalam
signifikan dalam signifikan dalam
sampel penelitian
sampel penelitian sampel penelitian
diasumsikan akan tetap
diasumsikan akan tetap diasumsikan akan tetap
signifikan sebanyak
signifikan sebanyak 95 signifikan sebanyak 99
99.99 kali jika
kali jika penelitian kali jika penelitian
penelitian tersebut
tersebut diulang dalam tersebut diulang dalam
diulang dalam 100
100 percobaan. 100 percobaan.
percobaan.
Sumber: Penulis.
F. Capaian Pembelajaran Lulusan (CPL) dan Capaian

Pembelajaran Mata Kuliah (CMPK)
Dirancang sebagai bahan atau materi perkuliahan, buku ajar ini
bertujuan untuk membekali pengetahuan dan keterampilan
mahasiswa sarjana mengenai statistika parametrik uji hubungan dan
uji perbedaan tingkat dasar. Sasaran atau target khususnya adalah
mahasiswa yang sedang menempuh pendidikan sarjana (S1)
Psikologi. Meskipun demikian, buku ajar ini juga relevan untuk
dipelajari oleh mahasiswa S1 Ilmu-Ilmu Sosial umumnya. Untuk
mempelajari buku ajar ini, mahasiswa diharapkan sudah cukup
memiliki pengetahuan mengenai statistika deskriptif.
Buku ajar ini dirancang untuk merealisasikan capaian pembelajarn
lulusan (CPL) yaitu “kemampuan mahasiswa menguasai prinsip-prinsip
literasi data dan teknologi, memperoleh informasi dari data dan
melakukan analisis data untuk pemecahan masalah dan pengembangan
sains dalam Psikologi menggunakan teknologi yang bertanggung jawab
sesuai dengan nilai, norma, dan etika akademik dan prinsip-prinsip
- 15 -
humaniora”. Sementara itu, capaian pembelajaran mata kuliah

(CPMK) dari buku ajar ini mencakup:
1. CPMK-1: Mahasiswa mampu memahami dan menjelaskan
konsep dasar statistika inferensial dan statistika inferensial
parametrik.
2. CPMK-2: Mahasiswa mampu memahami, menjelaskan,
mengaplikasikan, dan menginterpretasikan berbagai teknik
analisis statistika inferensial parametrik.
3. CPMK-3: Mahasiswa mampu menggunakan aplikasi perangkat
lunak statistik dalam mengolah data dan menginterpretasikan
hasil analisis statistika inferensial parametrik.
- 16 -
BAB 2
Pengenalan
Perangkat Lunak JSAP
A. Pengenalan dan Instalasi JASP

JASP adalah singkatan dari Jeffreys’s Amazing Statistics Program,
perangkat lunak atau software analisis statistika yang gratis dan bersifat
open-source. JASP didukung oleh tim peneliti dari University of
Amsterdam, Belanda. JASP dirancang dan dikembangkan sebagai
perangkat lunak statistik yang mudah digunakan (users friendly) seperti
Statistical Package for the Social Sciences atau SPSS (Wagenmakers dkk.,
2018). Meskipun demikian, berbeda dengan SPSS, pengguna tidak perlu
membayar biaya untuk mengunduh, menginstal, dan menggunakan
JASP.
JASP dirancang sedemikian rupa sehingga outputs tabel dan
gambar memiliki format yang disesuaikan dengan American
Psychological Association (APA) referencing style (Goss-Sampson,
2020). JASP menyediakan berbagai macam analisis statistika, mulai dari
level dasar (contoh: statistika deskriptif, korelasi, regresi, t-test, dan
ANOVA), intermediate (contoh: analisis mediasi dan moderasi
sederhana), sampai dengan advanced (contoh: path analysis, structural
equation modelling, network analysis). Ciri-khas yang melekat pada
JASP, yang berbeda dengan perangkat lunak statistika yang lain, adalah
tersedianya paradigma statistika frequentist maupun Bayesian.
- 17 -
Statisika frequentist menjadi paradigma statistika yang paling banyak

digunakan hingga saat ini, sementara statistika Bayesian menjadi
alternatif yang semakin meningkat popularitasnya (Goss-Sampson,
2020; Navarro dkk., 2019).
Cara instalasi JASP adalah, pertama, mengunduh versi terbaru
perangkat lunak tersebut di https://jasp-stats.org/download/.
Pengguna bisa memilih versi Windows, macOS, atau Linux. Dalam
contoh ini, versi yang dipilih adalah Windows (Lihat Gambar 6 di
bawah ini). Setelah mengeklik opsi Windows 64bit, proses unduh file
perangkat lunak JASP berlangsung. Setelah proses tersebut selesai,
pengguna bisa mulai memasang JASP di komputer masing-masing.
Gambar 6. Tampilan Website JASP.
B. Cara Menggunakan JASP

JASP hanya bisa membaca dan menganalisis data atau file
dengan ekstensi a comma-separated values (CSV). Dengan demikian,
input data di file berformat Excel harus diubah terlebih dulu menjadi
CSV. Setelah input data berformat CSV telah disiapkan, langkah
berikutnya adalah menjalankan JASP dengan tampilan layar awal.
Sebagaimana bisa dilihat pada Gambar 7 sebagai berikut :
- 18 -
Gambar 7. Tampilan Layar Awal JASP.
Sebelum memulai membuka file dan menganalisis data, kita bisa

terlebih dahulu melakukan setting dengan mengeklik kotak putus-
putus warna biru di pojok sebelah kiri (Lihat Gambar 8 di bawah ini).
Langkah berikutnya adalah mengeklik menu Preferences dan
submenu Results. Terakhir adalah mencentang opsi Display exact p-
values dan Fix the number of decimals dengan mengisi angka 5
(pilihan default). Output hasil analisis JASP selanjutnya akan
menyesuaikan dengan pilihan-pilihan tersebut.
Gambar 8. Setting Output Analisis JASP.
Kita bisa juga menambahkan menu statistika sesuai kebutuhan.

Caranya adalah dengan mengeklik tombol plus warna biru bagian
- 19 -
pojok kanan hingga muncul pesan pop up ‘Show modules menu’

(Lihat Gambar 9).
Gambar 9. Tampilan Show Modules Menu.
Langkah berikutnya (Lihat Gambar 10 di bawah ini) mencentang

menu-menu statistik yang kita butuhkan, misalnya adalah adalah
Distributions, Reliability, dan SEM (Structural Equation Modelling).
Gambar 10. Pilihan Menu-Menu Statistik.
JASP membedakan empat jenis variabel yang menjadi landasan

input data, yang mencakup teks nominal, nominal, ordinal, dan
kontinum (interval dan rasio). Teks nominal adalah input variabel
menggunakan kata dan bukannya angka. Sebagai contoh, input teks
- 20 -
nominal untuk jenis kelamin subjek penelitian adalah pria atau

wanita. Input nominal untuk variabel tersebut adalah misalnya, 1(=
pria) dan 0 (= wanita).
Akses input data bisa melalui klik menu So open a data file and
take JASP for a spin!. Alternatifnya adalah mengeklik kotak warna
biru di sebelah pojok kiri atas dan mengeklik open untuk
menemukan dan membuka input data di folder tertentu. Gambar 11
berikut menampilkan layar input data di JASP. Dalam contoh ini, No.
Subjek adalah input data ordinal (kotak warna merah), Tipe
Pengajaran adalah input data teks nominal (kotak warna kuning), dan
Nilai Pengantar Statistik adalah input data interval atau scale (kotak
warna hijau). Pengguna selanjutnya bisa memilih dan menentukan
analisis statistika sesuai kebutuhan, mulai dari Descriptives sampai
dengan SEM. Informasi lebih detail mengenai penggunaan JASP bisa
dicek di kanal Youtube
(https://www.youtube.com/channel/UCSulowI4mXFyBkw3bmp7pX
g) maupun di website https://jasp-stats.org/how-to-use-jasp/.
Gambar 11. Tampilan Layar Input Data di JASP.

- 21 -
BAB 3
Laporan Statistik Sesuai
Kaidah American
Psychological Association
(APA) Edisi 7
Mengacu pada American Psychological Association (APA) edisi 7

(American Psychological Association, 2020; Mashuri, 2022a, 2022b),
penulisan simbol statistik dan laporan statistik harus mengikuti kaidah-
kaidah tertentu. Akurasi dalam mengikuti kaidah-kaidah tersebut sangat
penting untuk penulisan karya ilmiah. Tabel 3. di bawah ini
menyajikan contoh penulisan simbol statistik sesuai dengan kaidah
APA edisi 7.
Tabel 3. Kaidah dan Contoh Penulisan Simbol Statistik
Menurut APA Edisi 7.
Penulisan simbol statistik

Kaidah
Salah Benar
Simbol-simbol non-Yunani M = 3.2. M = 3.2.
seperti M (rata-rata), SD SD = 0.56. SD = 0.56.
(deviasi standar), n (jumlah n = 20. n = 20.
sampel), r (koefisien korelasi), r = .30. r = .30.
B (koefisien regresi tidak B = 0.45. B = 0.45.
terstandarisasi), t (nilai t-test), t = 5.67. t = 5.67.
F (nilai ANOVA), dan lain- F = 15.78. F = 15.78.
lain ditulis secara miring.
- 22 -
Simbol-simbol Yunani
seperti β (Beta: koefisien β = .08. β = .08.
regresi terstandarisasi), η2 η2 = .10. η2 = .10.
(kuadrat eta), ω2 (kuadrat ω2 = .90. ε2 = .90.
omega), dan lain lain ditulis
secara tegak.
Angka dari koefisien M = .32. M = 0.32.

statistik yang bisa bernilai SD = .56. SD = 0.56.
lebih dari satu (atau minus t = .67. t = 0.67.
satu) seperti M, SD, t, F, B, r, F = 0.779. F = .78.
dan lain-lain sebelum tanda B = .87. B = 0.87.
desimal diikuti dengan angka r = −0.30. r = −.30.
nol, dengan pembulatan dua η2 = 0.78. η2 = .78.
angka setelah desimal; Angka
dari koefisien statistik yang
maksimal nilainya satu seperti
η2 dan ω2, satu atau minus satu
seperti r dan β, sebelum tanda
desimal tidak diikuti angka
nol, dengan pembulatan dua
angka setelah desimal.
Nilai signifikansi atau p ditulis p = .0003 ditulis p = p = .0003 ditulis p <
tanpa nilai nol sebelum .0003. .001.
desimal, dengan pembulatan p = .03 ditulis p < .05. p = .03 ditulis p = .03.
dua atau tiga angka setelah p = .008 ditulis p < .01. p = .008 ditulis p =
desimal; Aturan ini berlaku p = .02 ditulis p = 0.02. .008.
untuk nilai p yang lebih besar p = .02 ditulis p = .02.
dari .001. Untuk p yang lebih
kecil dari .001, nilainya cukup
ditulis dengan p < .001.
Jarak harus diberikan sebelum 10–9. 10 – 9.

dan sesudah operator 10+9. 10 + 9.
matematika seperti minus (−), <90. < 90.
plus (+), kurang dari (<), dan >90. > 90.
lebih dari (>). Jarak harus 10 – (– 9). 10 – (–9).
diberikan sebelum tetapi tidak
diberikan setelah nilai negatif.
Simbol atau singkatan harus Kemampuan Kemampuan
digunakan untuk parameter matematika siswa matematika siswa
statistik dengan operator sekolah dasar ABC sekolah dasar ABC
matematika, seperti M = 7.7, (rata-rata = 8.20) lebih (M = 8.20) lebih
SD = 0.10. Simbol atau tinggi dibandingkan tinggi dibandingkan
singkatan tidak digunakan kemampuan kemampuan
untuk statistik dalam bentuk matematika siswa matematika siswa
teks.
- 23 -
sekolah dasar XYZ sekolah dasar XYZ

(rata-rata = 6.20). (M = 6.20).
M kemampuan Rata-rata
matematika siswa kemampuan
sekolah dasar ABC matematika siswa
adalah 8.20, yang lebih sekolah dasar ABC
tinggi dibandingkan adalah 8.20, yang
M kemampuan lebih tinggi
matematika siswa dibandingkan rata-
sekolah dasar XYZ rata kemampuan
sebesar 6.20. matematika siswa
sekolah dasar XYZ
sebesar 6.20.
Sumber: Mashuri (2022a).
Tabel 4. di bawah ini menyajikan contoh laporan statistik sesuai

dengan kaidah APA edisi 7. Sebagaimana bisa dilihat pada Tabel 4,
laporan statistik sangat bervariasi. Laporan statistik uji hubungan dan
uji perbedaan memiliki kaidah tersendiri.
Tabel 4. Kaidah dan Contoh Laporan Statistik Menurut APA Edisi 7.

Kaidah Contoh
Statistik korelasi dilaporkan dengan Benar: Variabel X dan variabel Y berko-
derajat bebas (yaitu N atau jumlah total relasi positif secara kuat dan signifikan, r
partisipan – 2) dalam tanda kurung, (55) = .49, p < .001.
diikuti dengan nilai signifikansinya. Salah: Variabel X dan variabel Y berkorelasi
positif secara kuat dan signifikan, r(55) =
0.49, p = .001.
Hasil regresi umumnya lebih baik Benar: Dukungan sosial secara signifikan
dilaporkan dalam tabel. Meskipun menurunkan depresi, B = –0.34, t(225) =
demikian, jika dilaporkan dalam teks, 6.53, p < .001. Dukungan sosial juga
nilai koefisien regresi (terstandarisasi menjelaskan secara signifikan varian skor
atau tidak terstandarisasi) serta nilai depresi, R2 = .12, F(1, 225) = 42.64, p <
t-test dan tingkat signifikansinya .001.
perlu dirinci. Laporan ini juga bisa Salah: Dukungan sosial secara signifikan
dilengkapi nilai R kuadrat dan nilai F- menurunkan depresi, B = –0.34, t(225) =
test. 6.53, p = .001. Dukungan sosial juga
menjelaskan secara signifikan varian skor
depresi, R2 = 0.12, F(1, 225) = 42.64, p =
.001.
- 24 -
Statistik t-test dituliskan seperti chi- Benar: Jenis kelamin memiliki peran
squares, tetapi dilengkapi hanya dengan signifikan terhadap nilai Matematika,
derajat bebas (db) di dalam tanda t(54) = 5.43, p < .001, di mana responden
kurung. Laporan ini selanjutnya diikuti pria (M = 7.89, SD = 0.25) memperoleh
dengan laporan nilai t-test (dibulatkan nilai Matematika yang lebih tinggi
dua angka setelah desimal) dan nilai dibandingkan responden wanita (M =
signifikansinya. 6.00, SD = 0.21).
Salah: Jenis kelamin memiliki peran
signifikan terhadap nilai Matematika,
t(54) = 5.43, p = .001, di mana responden
pria (M = 7.89, SD = 0.25) memperoleh
nilai Matematika yang lebih tinggi
dibandingkan responden wanita (M =
Statistik ANOVA (baik one-way Benar: Perlakuan dalam eksperimen
maupun two-way) dilaporkan seperti t tersebut memiliki pengaruh yang
test, tetapi terdapat dua derajat bebas signifikan terhadap tingkat motivasi
yang harus disebutkan. Pertama belajar siswa, F(1, 145) = 5.43, p = .02.
adalah derajat bebas antarkelompok Salah: Perlakuan dalam eksperimen
(between-groups) dan kedua adalah tersebut memiliki pengaruh yang
derajat bebas dalam-kelompok signifikan terhadap tingkat motivasi
(within-groups), yang dipisahkan belajar siswa, F(1, 145) = 5.43, p < .02.
dengan tanda koma. Selanjutnya,
perlu juga dilaporkan statistik nilai F
(dengan pembulatan dua angka
setelah desimal) dan nilai
signifikansinya.
Sumber: Mashuri (2022a).
- 25 -
BAB 4
Pengantar Statistika
Parametrik Uji Hubungan
A. Jenis-jenis Uji Hubungan dalam Statistik Parametrik

Statistik uji hubungan ditujukan untuk mengukur kuat-
lemahnya korelasi atau hubungan antar variabel dalam suatu
penelitian. Di sini, hubungan atau korelasi menunjuk pada sejauh
mana variabel-variabel penelitian ‘bergerak atau bervariasi secara
bersama-sama’ (Diekhoff, 1996). Secara teknis statistik, variabel satu
dengan variabel lain dinyatakan memiliki hubungan atau korelasi jika
salah satu variabel tersebut meningkat atau menurun maka variabel yang
lainnya juga meningkat ataupun menurun secara konsisten. Koefisien
korelasi merupakan alat statistik yang menggambarkan bagaimana pola
atau arah hubungan antar variabel serta seberapa kuat variabel-variabel
tersebut berhubungan (Heiman, 2013).
Ragam statistik uji hubungan parametrik didasarkan pada
jumlah atau banyaknya variabel yang dianalisis serta pada level atau
skala pengukuran variabel tersebut (Diekoff, 1996). Uji hubungan
bivariat menguji hubungan antara dua variabel. Variabel pertama
disebut dengan istilah variabel independen atau bebas (bisa disebut
juga sebagai variabel prediktor), yang diberi simbol X. Variabel kedua
dikenal dengan istilah variabel dependen atau terikat (bisa disebut
juga sebagai variabel kriteria), yang diberi simbol Y. Uji hubungan
multivariat menguji hubungan antara lebih dari dua variabel.
- 26 -
Uji hubungan parametrik mensyaratkan bahwa variabel-variabel

yang dianalisis harus diukur pada skala interval ataupun rasio dan
berdistribusi normal. Uji hubungan antar variabel yang diukur pada
skala ordinal atau nominal dan yang tidak mensyaratkan bahwa
variabel tersebut harus berdistribusi normal disebut dengan istilah uji
hubungan nonparametrik. Sistematisasi jenis-jenis uji hubungan
parametrik yang menjadi pokok materi dalam buku ini disajikan
dalam Tabel 5 sebagai berikut.
Tabel 5. Jenis-Jenis Uji Hubungan dalam Statistika Parametrik.
Skala
Analisis statistik Jumlah variabel Uji hubungan
pengukuran
Korelasi Pearson
Interval atau product moment;
Bivariat Dua
rasio Regresi linier
sederhana.
Korelasi parsial;
Korelasi semi-
Interval atau
Multivariat Lebih dari dua parsial;
rasio
Regresi linier
ganda.
Sumber: Penulis.
B. Tipe-Tipe Korelasi
Ada dua jenis tipe korelasi dalam uji hubungan (Everitt &
Howell, 2005; Wilcox, 2010). Tipe pertama adalah korelasi linear,
yang menunjuk pada ‘garis lurus’. Korelasi liniear, dengan demikian,
membentuk suatu pola sebagaimana pola garis lurus. Dilihat dari segi
arahnya, korelasi linear bisa berarah positif dan berarah negatif.
Korelasi linear ke arah positif menggambarkan suatu pola ketika skor
variabel independen (X) meningkat maka skor variabel dependen (Y)
juga meningkat dan ketika skor variabel X menurun maka skor
variabel Y juga menurun. Sebagaimana bisa kita lihat pada Gambar
12, sebagai contoh, semakin banyak waktu yang digunakan untuk
belajar (X) maka semakin tinggi skor hasil tes (Y) dan semakin kurang
waktu yang digunakan untuk belajar maka semakin rendah skor hasil
- 27 -
tes (Y). Korelasi linear ke arah negatif menggambarkan suatu pola

ketika skor variabel X meningkat maka skor variabel Y justru
menurun. Sebaliknya, ketika skor variabel X menurun maka skor
variabel Y justru meningkat. Sebagai ilustrasi, sebagaimana bisa kita
cermati dalam Gambar 13, semakin banyak waktu yang digunakan
untuk bermain gadget (X) maka semakin rendah skor hasil tes (Y),
dan sebaliknya semakin sedikit waktu untuk bermain gadget, maka
semakin tinggi skor hasil tes.
Gambar 12. Korelasi Positif.
Gambar 13. Korelasi Negatif.
Tipe korelasi kedua adalah korelasi nonlinear dalam arti bahwa

hubungan antar variabel tidak bisa disimpulkan melalui garis lurus.
Dalam korelasi nonlinear, atau disebut juga dengan korelasi
kurvilinear (curvilinear), perubahan pada variabel X tidak diikuti
perubahan serupa secara konsisten oleh variabel Y. Pada poin
- 28 -
perubahan tertentu dalam variabel X, pola perubahan variabel Y

berbeda dengan pola perubahan sebelumnya. Ada dua jenis korelasi
nonlinear, yaitu korelasi nonlinear berbentuk U (U-shaped) dan
berbentuk kebalikan dari U (inverted U-shaped).
Contoh korelasi nonlinear berbentuk U, sebagaimana kita lihat
pada Gambar 14, adalah hubungan antara usia (X) dengan jumlah jam
untuk melakukan gerakan (Y). Ketika usia seseorang masih sangat
muda, kecepatannya melakukan gerakan masih sangat lambat. Akan
tetapi, seiring dengan pertambahan usia sampai 40 tahunan, semakin
cepat gerakan seseorang. Meskipun demikian, setelah melewati usia 40
tahun, kecepatan seseorang melakukan gerakan kembali melambat
layaknya ketika mereka berusia sangat muda.
Contoh korelasi nonlinear yang berbentuk kebalikan dari U
adalah hubungan antara durasi berolahraga (variabel X, misalnya
skor bervariasi dari 0.5 jam sampai dengan 4 jam) dan perasaan
kebugaran (variabel Y, misalnya skor bervariasi dari perasaan kurang
bugar = 1, sampai dengan perasaan sangat bugar = 6). Sebagaimana
bisa kita lihat pada Gambar 15, dalam rentang 0.5 jam sampai dengan
2 jam yang digunakan untuk berolahraga, seseorang cenderung
merasa semakin merasakan kebugaran. Ketika rentang 2 jam sampai
dengan 4, polanya menjadi berkebalikan: semakin banyak jumlah jam
untuk berolahraga, semakin rendah seseorang merasakan kebugaran.
Gambar 14. Contoh Korelasi Nonlinier Berbentuk U.

- 29 -
Gambar 15. Contoh Korelasi Nonlinier Berbentuk U Terbalik.
C. Kekuatan Korelasi Linear

Kekuatan korelasi menunjuk pada pengertian seberapa konsisten
perubahan variabel independen (X) diikuti oleh perubahan variabel
dependen (Y). Secara matematis, kekuatan korelasi tersebut,
sebagaimana dijelaskan sebelumnya, dikuantifikasi melalui koefisien
korelasi. Koefisien korelasi yang paling sempurna adalah +1 jika arah
korelasinya bersifat positif atau −1 jika arah korelasinya bersifat negatif.
Koefisien korelasi terendah adalah sebesar 0. Dengan demikian,
koefisien korelasi memberikan penjelasan pada dua hal, yaitu arah
korelasi (positif atau negatif) dan kekuatan korelasi (kuat/tinggi atau
rendah/lemah).
Gambar 16. Contoh Korelasi Sempurna Arah Positif.

- 30 -
Gambar 17. Contoh Korelasi Sempurna Arah Negatif.
Dalam kasus korelasi yang sempurna (baik ke arah positif

maupun negatif), perubahan skor variabel independen (X) dalam unit
tertentu diikuti oleh perubahan skor variabel dependen (Y) dalam
unit yang sama. Sebagaimana bisa kita lihat pada Gambar 16, korelasi
linear positif yang sempurna (koefisien korelasi = +1) ditandai
dengan fenomena bahwa kenaikan skor X pada unit tertentu diikuti
dengan kenaikan skor Y pada unit yang sama dan penurunan skor X
pada unit tertentu diikuti dengan penurunan skor Y pada unit yang
sama. Sementara itu, sebagaimana kita lihat dalam Gambar 17,
korelasi linear negatif yang sempurna (koefisien korelasi = −1)
ditandai dengan fenomena bahwa kenaikan skor X pada unit tertentu
diikuti penurunan skor Y pada unit yang sama dan penurunan skor
X pada unit tertentu diikuti oleh kenaikan skor Y pada unit yang
sama.
Dalam kasus korelasi yang kurang sempurna atau sedang (baik
ke arah positif maupun negatif), perubahan skor variabel X dalam
unit tertentu diikuti oleh perubahan skor variabel Y dalam unit yang
tidak seratus persen sama. Sebagaimana bisa kita lihat pada Gambar
18, korelasi linear positif yang kurang sempurna ditandai dengan
fenomena bahwa kenaikan skor variabel X diiringi dengan kenaikan
skor variabel Y dan penurunan skor variabel X diikuti oleh
penurunan skor variabel Y.
- 31 -
Gambar 18. Contoh Korelasi Kurang Sempurna Arah Positif.
Gambar 19. Contoh Korelasi Kurang Sempurna Arah Negatif.
Akan tetapi, kita cermati bahwa dalam Gambar 18, kenaikan dan
penurunan skor variabel X dalam unit tertentu tersebut tidak diikuti
dengan kenaikan dan penurunan skor variabel Y dalam unit yang
sama. Sebagaimana kita lihat dalam Gambar 19, korelasi linear negatif
yang kurang sempurna ditandai dengan fenomena bahwa kenaikan
skor variabel X diikuti penurunan skor variabel Y dan penurunan
skor variabel X diikuti oleh kenaikan skor variabel Y. Akan tetapi,
sekali lagi, kita bisa mengidentifikasi bahwa kenaikan dan penurunan
skor variabel X dalam unit tertentu tersebut tidak diikuti dengan
kenaikan dan penurunan skor variabel Y dalam unit yang sama.
Terakhir, dalam kasus koefisien korelasi mendekati nol, peruba-han
skor variabel X tidak diikuti secara konsisten oleh perubahan skor
variabel Y. Dalam korelasi mendekati nol, data hubungan antar variabel
berbentuk seperti lingkaran atau elips yang paralel dengan sumbu X.
- 32 -
Contoh korelasi mendekati nol adalah hubungan antara variabel X dan

variabel Y dalam Gambar 20 sebagai berikut:
Gambar 20. Contoh Korelasi Mendekati Nol.

- 33 -
BAB 5
Statistika Parametrik Uji
Hubungan Pearson
Product Moment
A. Korelasi Pearson Product Moment

Korelasi Pearson product moment mensyaratkan terpenuhinya
asumsi distribusi normal bivariat (bivariate normal distribution).
Asumsi ini mengandung arti bahwa korelasi Pearson product moment
menguji hubungan antara dua variabel, yaitu satu variabel
independen (X) dan satu variabel dependen (Y), yang harus
terdistribusi secara normal (Puth dkk., 2014). Korelasi Pearson
product moment juga mensyaratkan bahwa dua variabel yang diuji
hubungannya berskala interval atau rasio dan hubungan tersebut
bersifat linear (Goss-Sampson, 2020). Koefisien korelasi Pearson
product moment diberi simbol r (Sheskin, 2011). Terdapat beberapa
versi rumus korelasi Pearson product moment. Salah satu rumus
korelasi Pearson product moment disebut sebagai rumus angka kasar
yang dirinci sebagai berikut (Howell, 2017):
(1.1.)
- 34 -
Keterangan rumus (1.1.):

rxy = Koefisien korelasi hitung/empiris antara variabel independen
(X) dan variabel dependen (Y).
∑XY = Jumlah total hasil perkalian variabel X dan variabel Y.
∑X = Jumlah total skor variabel X.
∑Y = Jumlah total skor variabel Y.
N = Jumlah subjek penelitian.
Nilai koefisien korelasi Pearson product moment merentang dari

−1.00 (korelasi negatif) sampai dengan +1.00 (korelasi positif). Untuk
menentukan signifikansi nilai koefisien korelasi, perlu ditentukan
nilai derajat bebas (db) dengan rumus N (jumlah subjek penelitian) –
2 (jumlah variabel yang diteliti). Derajat bebas diperlukan untuk
menentukan nilai koefisien korelasi Pearson product moment (r)
teoretis atau r tabel. Atas dasar derajat bebas tersebut, r hitung atau r
empiris dinyatakan signifikan jika nilainya lebih besar dari r tabel atau
r teoretis (Howell, 2017). Untuk kasus koefisien korelasi empiris
bernilai negatif, nilainya dimutlakkan dan dibandingkan dengan nilai
koefisien korelasi tabel atau teoritis.
Penafsiran atau pemaknaan nilai koefisien korelasi Pearson
product moment dilakukan dengan cara mengkuadratkan nilai r
hitung (r2), yang disebut juga dengan koefisien determinasi (Corty,
2016). Kuadrat koefisien korelasi yang sempurna (r = +1.00 atau r =
−1.00) adalah 1.00, yang mengandung arti bahwa variabel X mampu
menjelaskan 100% naik turunnya skor variabel Y. Kuadrat koefisien
korelasi yang tidak sempurna sebesar r = 0.25, misalnya, adalah 0.063,
yang mengandung arti bahwa variabel X mampu menjelaskan 6.3%
naik turunnya skor variabel Y.
Effect size dalam korelasi Pearson product moment dihitung
dengan mengkonversi nilai r ke nilai Cohen’s d. Tabel 21
menampilkan kategorisasi tinggi rendahnya effect size Cohen’s d.
Rumus konversi nilai atau koefisien r menjadi Cohen’s d adalah
sebagai berikut (Borenstein dkk., 2009):
(1.2.)
- 35 -
Keterangan rumus (1.2.):

d = Koefisien Cohen’s d.
r = Koefisien Pearson product moment.
B. Contoh Soal 1 Pearson Product Moment (Korelasi Positif)

Seorang peneliti tertarik menyelidiki fenoma ‘berkendaraan
secara berbahaya’ (dangerous driving) di kalangan remaja sekolah
menengah atas (SMA) yang dijelaskan berdasarkan faktor personality
atau kepribadian, khususnya ‘rasa bermusuhan’ (hostility). Peneliti
tersebut selanjutnya menyusun dua skala, yaitu skala berkendaraan
secara berbahaya dan skala rasa bermusuhan. Kedua alat ukur
tersebut terdiri dari 10 item, yang disusun atas dasar skala interval
dengan opsi jawaban yang merentang dari ‘Sangat Setuju’ (SS, diberi
skor 5) sampai dengan ‘Sangat Tidak Setuju’ (STS, diberi skor 0).
Dengan demikian, skor minimal pada masing-masing skala adalah 0
sementara skor maksimal adalah 50. Hipotesis kerja atau hipotesis
alternatif (Ha) yang ditetapkan bersifat satu arah (one-tailed), yaitu:
“Terdapat korelasi linear positif yang signifikan antara rasa
bermusuhan dan berkendaraan secara berbahaya di mana semakin
tinggi rasa bermusuhan maka semakin tinggi juga berkendaraan
secara berbahaya dan sebaliknya, semakin rendah rasa bermusuhan
maka semakin rendah juga berkendaraan secara berbahaya”.
Asumsikan bahwa skor variabel berkendaraan secara berbahaya dan
rasa bermusuhan terdistribusi secara normal. Hipotesis penelitian
diuji dengan taraf signifikansi 0.01 (α = 0.01). Peneliti berhasil
merekrut 20 responden. Data hasil penelitian ditampilkan dalam
Tabel 6. sebagai berikut:
Tabel 6. Data Hubungan Rasa Bermusuhan
dan Berkendaraan Secara Berbahaya Siswa SMA XYZ.
No. Subjek X Y
1. 20 40
2. 33 43
3. 45 47
- 36 -
4. 21 30
5. 11 20
6. 44 39
7. 35 34
8. 46 42
9. 43 40
10. 12 17
11. 19 19
12. 22 19
13. 33 25
14. 36 29
15. 40 37
16. 19 18
17. 25 29
18 26 34
19. 36 44
20. 38 46
Keterangan. X = rasa bermusuhan, Y = berkendaraan secara berbahaya.

Sumber: Penulis.
Untuk menguji hipotesis penelitian, beberapa langkah perlu

dilakukan. Langkah pertama adalah mentranformasi data dalam
Tabel 6 dengan menambahkan hasil penghitungan X2, Y2, dan XY,
yang dirinci dalam Tabel 7 sebagai berikut:
Tabel 7. Tranformasi Tabel 6 Data Hubungan Rasa Bermusuhan dan
Berkendara Secara Berbahaya Siswa SMA XYZ.
No.
X X2 Y Y2 XY
Subjek
1. 20 400 40 1600 800
2. 33 1089 43 1849 1419
3. 45 2025 47 2209 2115
4. 21 441 30 900 630
5. 11 121 20 400 220
- 37 -
6. 44 1936 39 1521 1716

7. 35 1225 34 1156 1190
8. 46 2116 42 1764 1932
9. 43 1849 40 1600 1720
10. 12 144 17 289 204
11. 19 361 19 361 361
12. 22 484 19 361 418
13. 33 1089 25 625 825
14. 36 1296 29 841 1044
15. 40 1600 37 1369 1480
16. 19 361 18 324 342
17. 25 625 29 841 725
18 26 676 34 1156 884
19. 36 1296 44 1936 1584
20. 38 1444 46 2116 1748
ΣX = 604 ΣX2 = ΣY = 652 ΣY2 = ΣXY =
20578 23218 21357
Keterangan. X = rasa bermusuhan, Y = berkendara secara berbahaya. X2 =
Kuadrat masing-masing skor X, Y2 = Kuadrat masing-masing skor Y, XY =
perkalian masing-masing skor X dan Y.
Sumber: Penulis.
Langkah kedua adalah, mengacu pada Tabel 7, menentukan nilai

koefisien Pearson product moment hitung atau empiris menggunakan
rumus (1):
- 38 -
Dengan demikian, korelasi antara rasa bermusuhan (X) dan

berkendaraan secara berbahaya (Y) adalah sebesar 0.778. Derajat
bebas (db) untuk menentukan signifikansi nilai korelasi tersebut
adalah 18 (diperoleh dari N – 2 = 20 – 2). Dengan db sebesar 18, nilai
r tabel (Lihat Tabel A.1 di Lampiran) untuk hipotesis satu arah (one-
tailed) dengan taraf signifikansi 0.01 adalah 0.516. Nilai korelasi
empiris atau hitung (r = 0.778) dengan demikian lebih besar dari nilai
r tabel (r = 0.516).
Menggunakan online calculator (https://www.danielsoper.com/
statcalc/calculator.aspx?id=44; Soper, 2022), dengan memasukkan
nilai R = .778 dan N = 20, nilai signifikansi (p) satu arah (one-tailed)
adalah 0.00003 (p < .001). Nilai p dengan demikian signifikan karena
kurang dari 0.05. Dengan hasil ini, hipotesis kerja dinyatakan
diterima. Sementara itu, nilai kuadrat r hitung (r2) adalah 0.605. Hal
ini mengandung arti bahwa variabel independen rasa bermusuhan
(X) mampu menjelaskan variasi atau naik turunnya skor variabel
dependen berkendaraan secara berbahaya (Y) sebesar 60.5%.
Effect size hubungan antara rasa bermusuhan (X) dan
berkendaraan secara berbahaya (Y) dalam contoh di atas adalah:
2 (2)(0.7781) 1.5562
= = = = 2.48.
√1 − √1 − 0.7781 0.62814
Mengacu pada Tabel 21, nilai d = 2.48 di atas termasuk effect size
sangat besar (> .80).
C. Pengerjaan Contoh Soal Pertama Pearson Product Moment

(Korelasi Positif) Menggunakan JASP
Langkah-langkah berikut ini merinci cara pengerjaan contoh
soal Pearson product moment korelasi positif menggunakan JASP.
Data mentah contoh soal Pearson product moment korelasi positif ini
bisa diunduh di OSF dengan link: https://bit.ly/KorelasiPositif
Langkah 1. Membuat file data input dalam format Excel (xlsx).
Input data dalam bentuk skala interval, baik untuk variabel Rasa
Bermusuhan (X) maupun Berkendaraan secara Berbahaya (Y).
- 39 -
Langkah 2. Mengubah File Data Input dalam Format Excel

menjadi Format Comma Delimited (CSV).
Langkah 3. Menjalankan JASP dan mengeklik So open a data file

and take JASP for a spin!. Mengarahkan kursor ke menu Browse di
bawah Recent Folders. Menemukan file CSV yang diinginkan dan
mengeklik open.
- 40 -
Langkah 4. Menjalankan JASP dengan mengatur atau menetapkan

variabel X dan variabel Y sebagai variabel berskala interval (scale).
Langkah 5. Memilih menu Regression dan selanjutnya memilih

submenu Correlation (Classical).
- 41 -
Langkah 6. Memindahkan variabel X dan Y dari Kotak

Correlation ke Kotak Variables. Mencentang opsi Pearson’s r di
bawah Menu Sample Correlation Coefficient, opsi Report significance
dan Flag significant correlations di bawah menu Additional Options,
opsi Correlated positively di bawah menu Alt. Hypothesis.
- 42 -
Langkah 7. Mengecek hasil atau Results di layar sebelah kanan

dengan tampilan sebagai berikut:
Laporan hasil pengerjaan contoh soal korelasi positif sesuai kaidah

APA edisi 7
Hasil analisis Pearson product moment menunjukkan bahwa, sesuai
dengan hipotesis yang ditetapkan, rasa bermusuhan berkorelasi
positif dan signifikan dengan berkendaraan secara berbahaya, r(20) =
.78, p < .001, d = 2.48.
D. Uji Asumsi Contoh Soal Pertama Pearson Product Moment

(Korelasi Positif) Menggunakan JASP
Uji asumsi pertama adalah variabel independen (X) dan variabel
dependen (Y) terdistribusi normal. Untuk menguji asumsi ini,
langkah pertama adalah mengeklik menu Descriptives dan
memindahkan Rasa Bermusuhan (X) dan Berkendaraan secara
Berbahaya (Y) dari kotak Descriptive Statistics ke kotak Variables.
Mengeklik menu Statistics dan mencentang opsi Shapiro-Wilk Test.
- 43 -
Hasil analisis bisa dicek sebagai berikut:

- 44 -
Nilai p Shapiro-Wilk untuk Rasa Bermusuhan (X) dan

Berkendaraan secara Berbahaya (Y) adalah tidak signifikan karena
lebih besar 0.05. Kesimpulannya, kedua variabel tersebut terdistribusi
secara normal (Goss-Sampson, 2020).
Uji asumsi kedua adalah hubungan antara variabel independen
(X) dan variabel dependen (Y) harus bersifat linear. Asumsi ini bisa
diuji dengan visualisasi scatter plots hubungan antar variabel.
Langkahnya adalah mengeklik opsi Customizable plot dan
mencentang opsi Scatter plots, Add regression line, dan Linear.
Hasilnya adalah screenshot gambar sebagai berikut:

- 45 -
Kita lihat bahwa hubungan antar variabel terwakili dengan slope

yang tajam, bukannya mendatar. Slope tajam yang bergerak dari kiri
ke kanan menunjuk hubungan linear ke arah positif (Goss-Sampson,
2020).
E. Contoh Soal 2 Pearson Product Moment (Korelasi Negatif)

Seorang peneliti berminat menjelaskan maraknya hoax atau
informasi yang tidak tebukti kebenarannya atas dasar ciri khas
individu dengan pemikiran yang terbuka (open-mindedness). Dalam
penelitian ini, kriteria responden atau subjek riset menargetkan
individu dewasa awal. Dua skala selanjutnya disusun, yaitu skala
pemikiran terbuka dan kepercayaan terhadap hoax. Kedua alat ukur
tersebut terdiri dari 5 item, yang disusun atas dasar skala interval
dengan opsi jawaban yang merentang dari ‘Sangat Setuju’ (SS, diberi
skor 5) sampai dengan ‘Sangat Tidak Setuju’ (STS, diberi skor 0). Dengan
demikian, skor minimal pada masing-masing skala adalah 0 sementara
skor maksimal adalah 25. Hipotesis kerja/alternatif (Ha) yang ajukan
bersifat satu arah (one-tailed), yaitu: “Terdapat korelasi linear negatif
yang signifikan antara pemikiran terbuka dan kepercayaan terhadap
hoax di mana semakin tinggi pemikiran terbuka, maka semakin rendah
kepercayaan terhadap hoax dan sebaliknya, semakin rendah pemikiran
terbuka maka semakin tinggi kepercayaan terhadap hoax. Asumsikan
bahwa skor variabel pemikiran terbuka dan kepercayaan terhadap hoax
terdistribusi secara normal. Hipotesis penelitian diuji dengan taraf
signifikansi 0.05 (α = 0.05). Sebanyak 15 subjek penelitian diminta
menjawab pertanyaan dalam masing-masing skala. Data hasil penelitian
ditampilkan dalam Tabel 8 sebagai berikut:
Tabel 8. Data Hubungan antara Pemikiran Terbuka
dan Kepercayaan Terhadap Hoax.
No. Subjek X Y
1. 15 9
2. 10 13
3. 9 16
- 46 -
4. 20 10
5. 21 5
6. 5 18
7. 11 11
8. 14 8
9. 23 4
10. 10 19
11. 8 25
12. 24 12
13. 21 18
14. 17 20
15. 19 15
Keterangan. X = pemikiran terbuka, Y = kepercayaan pada hoax.

Sumber: Penulis.
Langkah pertama untuk menguji hipotesis penelitian adalah

mentranformasi Tabel 8 di atas dengan menambahkan hasil
penghitungan X2, Y2, dan XY. Hasilnya disajikan dalam Tabel 9
sebagai berikut:
Tabel 9. Tranformasi Tabel 8 Data Hubungan antara Pemikiran Terbuka
dan Kepercayaan Terhadap Hoax.
No. Subjek X X2 Y Y2 XY
1. 15 225 9 81 135
2. 10 100 13 169 130
3. 9 81 16 256 144
4. 20 400 10 100 200
5. 21 441 5 25 105
6. 5 25 18 324 90
7. 11 121 11 121 121
8. 14 196 8 64 112
9. 23 529 4 16 92
10. 10 100 19 361 190

- 47 -
11. 8 64 25 625 200
12. 24 576 12 144 288
13. 21 441 18 324 378
14. 17 289 20 400 340
15. 19 361 15 225 285

ΣX = 227 ΣX2 = 3949 ΣY = 203 ΣY2 = 3235 ΣXY = 2810
Keterangan. X = pemikiran terbuka; Y = kepercayaan pada hoax; X2 = Kuadrat

masing-masing skor X; Y2 = Kuadrat masing-masing skor Y; XY = perkalian
masing-masing skor X dan Y.
Sumber: Penulis.
Langkah kedua adalah menentukan nilai koefisien Pearson

product moment hitung atau empiris dengan mengacu rumus (1):
Dengan demikian, korelasi antara pemikiran terbuka (X) dan

kepercayaan terhadap hoax (Y) adalah sebesar −0.524. Derajat bebas
(db) untuk menentukan signifikansi nilai korelasi tersebut adalah 13
(diperoleh dari N – 2 = 15 – 2). Dengan db sebesar 13, nilai r tabel
(Lihat Tabel A.1 di Lampiran) untuk hipotesis satu arah (one-tailed)
dengan taraf signifikansi 0.05 adalah 0.441. Pemutlakan nilai korelasi
empiris atau hitung adalah r = −0.524 adalah |0.524|, yang lebih
besar dari nilai r teoretis atau tabel (r = 0.441).
Menggunakan online calculator (https://www.danielsoper.com
/statcalc/calculator.aspx?id=44; Soper, 2022), dengan memasukkan
nilai R = −0.524 dan N = 15, nilai signifikansi (p) satu arah (one-
tailed) adalah 0.023. Nilai p dengan demikian signifikan karena
kurang dari 0.05. Dengan hasil ini, hipotesis kerja dinyatakan
diterima. Sementara itu, nilai kuadrat r hitung (r2) adalah 0.275. Hal
- 48 -
ini mengandung arti bahwa variabel independen pemikiran terbuka

(X) mampu menjelaskan variansi atau naik turunnya skor variabel
dependen kepercayaan terhadap hoax (Y) sebesar 27.5%.
Effect size hubungan antara pemikiran terbuka (X) dan kepercayaan
terhadap hoax (Y) dalam contoh korelasi negatif di atas adalah:
2 (2)(−0.524 ) −1.048 −1.048
= = = = = −1.23 = |1.23| .
√1 − 1 − (−0.524 ) √0.7254 0.8517
Mengacu pada tabel 21 nilai d = 1.23 di atas termasuk effect size

sangat besar (> .80).
F. Pengerjaan Contoh Soal Kedua Pearson Product Moment

(Korelasi Negatif) Menggunakan JASP
soal Pearson product moment korelasi negatif menggunakan JASP.
Data mentah contoh soal Pearson product moment korelasi negatif ini
bisa diunduh di OSF dengan link: https://bit.ly/KorelasiNegatif
Input data dalam bentuk skala interval, baik untuk variabel Pemikiran
Terbuka (X) maupun Kepercayaan terhadap Hoax (Y).
Langkah 2. Mengubah file data input dalam format Excel

menjadi format Comma Delimited (CSV).
- 49 -

mengeklik open.

- 50 -

submenu Correlation (Classical).
Langkah 6. Memindahkan variabel X dan Y dari Kotak Correlation

ke Kotak Variables. Mencentang opsi Pearson’s r di bawah Menu Sample
Correlation Coefficient, opsi Report significance dan Flag significant
correlations di bawah menu Additional Options, opsi Correlated
negatively di bawah menu Alt. Hypothesis.
- 51 -

Laporan hasil pengerjaan contoh soal kedua sesuai kaidah APA

edisi 7
Hasil analisis Pearson product moment menunjukkan bahwa,
sesuai dengan hipotesis yang ditetapkan, pemikiran terbuka
berkorelasi negatif dan signifikan dengan kepercayaan terhadap hoax,
r(13) = −0.52, p = .023, d=1.23.
- 52 -
G. Uji Asumsi Contoh Soal Kedua Pearson Product Moment

(Korelasi Negatif) Menggunakan JASP
Uji asumsi pertama adalah variabel independen (X) dan variabel
dependen (Y) terdistribusi normal. Untuk menguji asumsi ini,
langkah pertama adalah mengeklik menu Descriptives dan
memindahkan Pemikiran Terbuka (X) dan Kepercayaan terhadap
Hoax (Y) dari kotak Descriptive Statistics ke kotak Variables.
Mengeklik menu Statistics dan mencentang opsi Shapiro-Wilk Test.
- 53 -
Nilai p Shapiro-Wilk untuk Pemikiran Terbuka (X) dan

Kepercayaan terhadap Hoax (Y) adalah tidak signifikan karena lebih
besar 0.05. Kesimpulannya, kedua variabel tersebut terdistribusi
secara normal (Goss-Sampson, 2020).
diuji dengan visualisasi scatter plots hubungan antar variabel.
Langkahnya adalah mengeklik opsi Customizable plot dan
- 54 -

yang tajam, bukannya mendatar. Slope tajam yang bergerak dari
kanan ke kiri menunjuk hubungan linear ke arah negatif (Goss-
Sampson, 2020).
- 55 -
BAB 6
Hubungan Korelasi Parsial
(Partial Correlation) dan
Korelasi Semi Parsial (Semi
Parsial Correlation, Part
Correlation)
A. Pengantar Korelasi Parsial dan Korelasi Semi-Parsial

Korelasi parsial dan korelasi semi parsial digunakan untuk
menganalisis dan menghitung hubungan antara lebih dari satu
variabel independen dan satu variabel dependen. Untuk memahami
korelasi parsial dan korelasi semi parsial, terlebih dahulu perlu
dijelaskan pengertian zero-order correlation dan mutiple correlation
(Sheskin, 2011). Gambar 21. di bawah ini merupakan ilustrasi
keterkaitan antara zero-order correlation, mutiple correlation, korelasi
parsial, dan korelasi semi parsial untuk menjelaskan hubungan antara
variabel independen pertama (X1), variabel independen kedua (X2),
dan variabel dependen (Y).
- 56 -
Gambar 21. Diagram Ven Komponen Variansi Korelasi Antara Variabel

X1, Variabel X2, dan Variabel Y.
Sumber: Sheskin (2011).
Dalam Gambar 21. di atas, d adalah variansi bersama (shared
variance) variabel independen pertama (X1) dan variabel dependen (Y),
dengan mengendalikan atau membuang peran e sebagai variansi
bersama ketiga variabel. Sementara itu, f adalah variansi bersama X2 dan
Y, dengan mengendalikan e. Selanjutnya, a adalah variansi X1 dikurangi
dengan d, e, serta b (variansi bersama X1 dan X2 dengan mengendalikan
e); c adalah adalah variansi X2 dikurangi dengan b, e, dan f. Terakhir, g
adalah variansi Y dengan mengendalikan d, e, dan f.
Zero-order correlation, mengacu pada Gambar 21 di atas,
menghitung korelasi antara dua variabel tanpa mengendalikan peran
dari variabel lain dalam menjelaskan dua variabel tersebut. Dengan
makna atau definisi ini, Pearson product moment termasuk zero-order
correlation. Mengacu pada gambar di atas, terdapat tiga zero-order
correlation dengan simbol dan cakupan variansi sebagai berikut:
. = +
. = +
. = +
- 57 -
Zero-order correlation pertama adalah . , yaitu Pearson

product moment X1 dan Y, dengan cakupan variansi d ditambah e.
Zero-order correlation kedua adalah . , yaitu Pearson product
moment X2 dan Y, dengan cakupan variansi e ditambah f. Zero-order
correlation ketiga adalah . , yaitu Pearson product moment X1 dan
X2, dengan cakupan variansi e ditambah b.
Multiple correlations diberi simbol . . Mengacu pada
Gambar di atas, cakupan variansi multiple correlation adalah
penjumlahan antara d, e, dan f, yang diilustrasikan sebagai berikut:
. = + +
Dengan demikian, multiple correlations merupakan variansi

bersama antar variabel penelitian, yang dalam contoh ini adalah X1,
X2, dan Y.
Korelasi parsial, mengacu pada Gambar 21. di atas, memiliki
simbol dan cakupan variansi sebagai berikut:
. =
+
. =
+
Korelasi parsial pertama, yaitu . , merupakan perbandingan

antara variansi bersama X1 dan Y, yaitu d, dengan d + g (variansi Y
dengan mengendalikan d, e, dan f). Korelasi parsial kedua, yaitu
. , merupakan perbandingan antara variansi bersama X2 dan Y,
yaitu f, dengan f + g.
Korelasi semiparsial, mengacu pada Gambar 21. di atas, diberi
simbol dan memiliki cakupan variansi sebagai berikut:
( . ) =
( . ) =
- 58 -
Korelasi semi parsial pertama, yaitu ( . ) , mencakup wilayah d,

yaitu variansi bersama (shared variance) variabel independen pertama
(X1) dan variabel dependen (Y), dengan mengendalikan atau
membuang peran e sebagai variansi bersama ketiga variabel. Korelasi
semi parsial kedua, yaitu ( . ) , mencakup wilayah f, yaitu variansi
bersama X2 dan Y, dengan mengendalikan e.
B. Rumus Korelasi Parsial

Untuk tiga variabel, yaitu variabel independen pertama (X1),
variabel independen kedua (X2), dan variabel dependen (Y), terdapat
dua rumus korelasi parsial (Sheskin, 2011). Pertama adalah korelasi
parsial antara X1 dan Y (lihat rumus 2), sementara rumus kedua
adalah korelasi parsial antara X2 dan Y (lihat rumus 3), yang disajikan
sebagai berikut:
−( )( )
. = (2)
(1 − )(1 − )
−( )( ) (3)
. =
(1 − )(1 − )
Keterangan rumus (2) dan rumus (3):

. = Koefisien korelasi parsial antara variabel independen
pertama (X1) dan variabel dependen (Y).
. = Koefisien korelasi parsial antara variabel independen
kedua (X2) dan variabel dependen (Y).
= Koefisien korelasi X1 dan Y.
= Koefisien korelasi X1 dan X2.
= Kuadrat koefisien korelasi X1 dan X2.
= Kuadrat koefisien korelasi X1 dan Y.
= Kuadrat koefisien korelasi X2 dan Y.
- 59 -
Uji signifikansi (Sheskin, 2011) koefisien korelasi parsial

diformulasikan sebagai berikut:
√ − (4)
=
1−
Keterangan rumus (4):

= Nilai t hitung.
= Nilai koefisien korelasi parsial.
= Jumlah subjek penelitian.
= Jumlah variabel penelitian.
= Kuadrat koefisien korelasi parsial.
Untuk menentukan signifikansi koefisien korelasi parsial, nilai t

hitung dibandingkan nilai t tabel atau t teoritis atas dasar derajat
bebas (db) yang ditentukan dengan n – v. Jika nilai t hitung lebih besar
dari nilai t tabel maka koefisien korelasi parsial dinyatakan signifikan.
Sebaliknya, jika nilai t hitung lebih kecil dari nilai t tabel maka
koefisien korelasi parsial dinyatakan tidak signifikan.
C. Contoh Soal Korelasi Parsial

Sebuah penelitian bertujuan menjelaskan pentingnya kepatuhan
masyarakat kepada pemerintah demi stabilitas sosial dan ekonomi
nasional. Mengacu pada beberapa teori yang relevan, kepatuhan tersebut
coba dijelaskan atas dasar dua faktor, yaitu (1) legitimasi pemerintah dan
(2) sikap positif terhadap populisme. Skor legitimisasi pemerintah
merentang dari 1 (sangat lemah) sampai dengan 10 (sangat kuat). Skor
sikap positif terhadap populisme bervariasi dari 10 (kurang positif)
sampai dengan 20 (sangat positif). Skor kepatuhan kepada pemerintah
bervariasi dari 10 (sangat tidak patuh) sampai dengan 100 (sangat
patuh).
Hipotesis yang diajukan adalah, pertama, ‘dengan mengendalikan
peran sikap positif terhadap populisme, legitimasi pemerintah
berkorelasi secara positif dan signifikan dengan kepatuhan’. Hipotesis
- 60 -
kedua menyatakan bahwa ‘dengan mengendalikan peran legitimasi

pemerintah, sikap positif terhadap populisme berkorelasi secara negatif
dan signifikan dengan kepatuhan’. Kedua hipotesis bersifat satu arah
(one-tailed) dan diuji pada taraf signikansi 0.05 (α = .05). Asumsikan
bahwa tiga variabel yang diuji dalam penelitian terdistribusi secara
normal. Peneliti merekrut 24 responden. Data hasil penelitian disajikan
Tabel 10. Data Hubungan Legitimasi Pemerintah, Sikap Positif terhadap
Populisme, dan Kepatuhan Masyarakat kepada Pemerintah.
No.
X1 X12 X2 X22 Y Y2 X1X2 X1Y X2Y
Subjek
1. 1 1 18 324 30 900 18 30 540
2. 5 25 11 121 45 2025 55 225 495
3. 10 100 20 400 90 8100 200 900 1800
4. 4 16 14 196 80 6400 56 320 1120
5. 4 16 16 256 70 4900 64 280 1120
6. 6 36 13 169 70 4900 78 420 910
7. 6 36 14 196 30 900 84 180 420
8. 3 9 17 289 20 400 51 60 340
9. 8 64 13 169 80 6400 104 640 1040
10. 7 49 15 225 60 3600 105 420 900
11. 9 81 20 400 50 2500 180 450 1000
12. 5 25 12 144 60 3600 60 300 720
13. 1 1 14 196 55 3025 14 55 770
14. 8 64 17 289 30 900 136 240 510
15. 4 16 18 324 25 625 72 100 450
16. 4 16 15 225 40 1600 60 160 600
17. 9 81 11 121 86 7396 99 774 946
18. 9 81 11 121 86 7396 99 774 946
19. 10 100 19 361 70 4900 190 700 1330
20. 10 100 20 400 35 1225 200 350 700
21. 8 64 14 196 78 6084 112 624 1092
22. 3 9 16 256 42 1764 48 126 672
- 61 -
23. 4 16 13 169 45 2025 52 180 585

24. 8 64 12 144 77 5929 96 616 924
2
Ʃ Ʃ Ʃ ƩY Ʃ Ʃ Ʃ
Ʃ ƩY=
X12 X2 X22 = X1X2 X1Y X2Y=
N= 24 X1= 135
= = = 8749 = = 1993
146 4
1070 363 5691 4 2233 8924 0
Keterangan. X1 = legitimasi pemerintah, X2 = sikap positif terhadap populisme,

Y = kepatuhan masyarakat kepada pemerintah.
Sumber: Penulis.
Mengacu pada hasil penghitungan pada Tabel 10 di atas, untuk

menguji hipotesis pertama, diperlukan beberapa langkah. Langkah
pertama adalah menghitung nilai korelasi X1 dan Y, menggunakan
rumus Pearson product moment sebagai berikut:
Langkah kedua adalah menghitung nilai korelasi X1 dan X2,

menggunakan rumus Pearson product moment sebagai berikut:
(∑ 1)(∑ 2)
∑X1X2 −
X1X2 =
(∑ 1) (∑ 2)
∑ 1 − ∑ 2 −
(146)(363)
2233 −
= 24
X1X2
(146) (363)
1070 − 5691 −
24 24
24.75 24.75
X1X2 = = = 0.130
[181.833333][200.625] 190.9982
- 62 -
Langkah ketiga adalah menghitung nilai korelasi X2 dan Y,

menggunakan rumus Pearson product moment sebagai berikut:
(∑ 2)(∑ )
∑X2Y −
X2Y =
(∑ 2) (∑ )
∑ 2 − ∑ −
(363)(1354)
19930 −
= 24
X2Y
(363) (1354)
5691 − 87494 −
24 24
−549.25 −549.25
X2Y = = = −0.368
[200.625][11105.833333] 1492.6848
Langkah keempat adalah menghitung nilai korelasi parsial X1

dan Y, dengan mengendalikan korelasi X2 dan X1 serta korelasi X2
dan Y, dengan rumus sebagai berikut:
−( )(( ) 0.484 − (0.130)(−0.368)
. = =
(1 − )(1 − ) (1 − 0.130 )(1 − [−0.368] )
0.5318 0.5318
. = = = 0.58
(0.9831)(0.8646) 0.9220
Langkah kelima adalah menentukan signifikansi koefisien

korelasi parsial antara X1 dan Y dengan cara sebagai berikut (lihat
rumus 4):
√ − 0.58√24 − 3
= =
√1 − 0.58
1−
2.6579
= = 3.263
0.8146
Nilai t empiris 3.263 di atas, untuk menguji signifikansinya,
dibandingkan dengan nilai t tabel dengan derajat bebas (db) sama
dengan 21 (n − v = 24 − 3), taraf signifikansi 0.05 (α = 0.05), dan uji
hopotesis satu arah (one-tailed). Mengacu ketentuan-ketentuan ini,
- 63 -
nilai t tabel adalah 1.721 (Lihat Tabel A.2 di Lampiran). Karena nilai t
hitung lebih besar dari nilai t tabel maka Hipotesis pertama diterima.
Menggunakan kalkulator online (http://vassarstats.net/
par.html), dengan menginput N = 24, XY (koefisien korelasi antara
X1 dan Y) = 0.484, XZ (koefisien korelasi antara X1 dan X2) = 0.130,
dan YZ (koefisien korelasi antara Y dan X2) = −0.368, nilai p dari
korelasi parsial X1 dan Y (mengendalikan X2) = 0.004. Karena kurang
dari p = .05, nilai p = 0.004 tersebut dinyatakan signifikan.
Mengacu pada hasil penghitungan pada tabel di atas, untuk
menguji Hipotesis kedua, juga diperlukan beberapa langkah. Langkah
pertama sampai dengan langkah ketiga adalah identik dengan
prosedur pengujian Hipotesis pertama. Langkah keempat adalah
menghitung nilai korelasi parsial X2 dan Y, dengan mengendalikan
korelasi X2 dan X1 serta korelasi X1 dan Y, dengan rumus sebagai
berikut:
−( )(( )
. =
(1 − )(1 − )
(−0.368) − (0.130)(0.484) −0.4309

. = =
(1 − 0.130 )(1 − 0.484 ) (0.9831)(0.7657)
−0.4309
. = = −0.50
0.8676
Langkah kelima adalah menentukan signifikansi koefisien

korelasi parsial antara X2 dan Y dengan cara sebagai berikut:
√ − −0.50√24 − 3
= =
1− 1 − (−0.50)
−2.2913
= = −2.645 |2.645 |
0.8660
Dengan derajat bebas sama dengan 21, taraf signifikansi .05, dan
uji hipotesis satu arah (one-tailed), nilai t tabel adalah 1.721. Nilai t
empiris |2.645| dengan demikian lebih besar dari t tabel (1.721).
Kesimpulannya, hipotesis kedua juga diterima.
- 64 -
Menggunakan kalkulator online (http://vassarstats.net/par.

html; Lowry, 2001-2022), dengan menginput N = 24, XY (koefisien
korelasi antara X1 dan Y) = 0.484, XZ (koefisien korelasi antara X1
dan X2) = 0.130, dan YZ (koefisien korelasi antara Y dan X2) =
−0.368, nilai p dari korelasi parsial X2 dan Y (mengendalikan X1) =
0.016. Karena kurang dari p = .05, nilai p = 0.016 tersebut dinyatakan
signifikan.
D. Pengerjaan Contoh Soal Korelasi Parsial Menggunakan JASP

soal korelasi parsial menggunakan JASP. Data mentah contoh
korelasi parsial ini bisa diunduh di OSF dengan link:
https://bit.ly/KorelasiParsialSemiParsial
Input data dalam bentuk skala interval, baik Legitimasi Pemerintah
(X1), Sikap Positif terhadap Populisme (X2), Kepatuhan Masyarakat
terhadap Pemerintah (Y).
- 65 -


mengeklik open.
- 66 -
Langkah 4. Menjalankan JASP dengan mengatur atau

menetapkan variabel X1, X2, dan variabel Y sebagai variabel berskala
interval (scale).

submenu Linear Regression (Classical).
- 67 -
Langkah 6. Memindahkan variabel Y dari Kotak Linear

Regression ke Kotak Dependent Variable, variabel X1 dan X2 dari
Kotak Linear Regression ke Kotak Covariates. Mencentang opsi
Estimates, Model fit, Descriptives, dan Part and Partial correlations di
bawah menu Regression Coefficients.

- 68 -
Laporan hasil contoh soal korelasi parsial sesuai kaidah APA edisi 7
Analisis korelasi parsial menunjukkan bahwa, mendukung hipotesis
pertama, dengan mengendalikan peran sikap positif terhadap popu-
lisme, legitimasi pemerintah berkorelasi positif dan signifikan dengan
kepatuhan kepada pemerintah, . = .58, p = .004. Hipotesis kedua
juga diterima karena, dengan mengendalikan peran legitimasi peme-
rintah, sikap positif terhadap populisme berkorelasi negatif dan signifikan
dengan kepatuhan kepada pemerintah, . = −.50, p = .016.
E. Uji Asumsi Contoh Soal Korelasi Parsial Menggunakan JASP

Uji asumsi pertama adalah variabel independen pertama (X1),
variabel independen kedua (X2), dan variabel dependen (Y)
terdistribusi normal. Untuk menguji asumsi ini, langkah pertama
- 69 -
adalah mengeklik menu Descriptives dan memindahkan Legitimasi

Pemerintah (X1), Sikap Positif terhadap Populisme (X2), dan
Kepatuhan Masyarakat pada Pemerintah (Y) dari kotak Descriptive
Statistics ke kotak Variables. Mengeklik menu Statistics dan
mencentang opsi Shapiro-Wilk Test.
Nilai p Shapiro-Wilk untuk Legitimasi Pemerintah (X1), Sikap

Positif terhadap Populisme (X2), dan Kepatuhan Masyarakat adalah
tidak signifikan karena lebih besar 0.05. Kesimpulannya, ketiga
variabel tersebut terdistribusi secara normal (Goss-Sampson, 2020).
pertama (X1), variabel independen kedua (X2), dan variabel
dependen (Y) harus bersifat linear. Asumsi ini bisa diuji dengan
- 70 -
visualisasi scatter plots hubungan antar variabel. Langkahnya adalah

mengeklik opsi Customizable plot dan mencentang opsi Scatter plots,
Add regression line, dan Linear.

yang tajam, bukannya mendatar. Slope tajam yang meningkat dan
bergerak dari kiri ke kanan menunjukkan hubungan linier ke arah
positif antara legitimasi pemerintah (X1) dan kepatuhan (Y). Slope
tajam yang menurun dan bergerak dari kanan ke kiri menunjukkan
- 71 -
hubungan linier ke arah negatif antara sikap positif terhadap

populisme (X2) dan kepatuhan (Y) (Goss-Sampson, 2020).
F. Rumus Korelasi Semi Parsial

Terdapat dua rumus korelasi semi parsial untuk menjelaskan
hubungan antara tiga variabel, yaitu variabel independen pertama (X1),
variabel independen kedua (X2), dan variabel dependen (Y). Pertama
adalah rumus korelasi semi parsial antara X1 dan Y (lihat rumus 5). Kedua
adalah korelasi semi parsial antara X2 dan Y (lihat rumus 6). Masing-masing
rumus disajikan sebagai berikut (Sheskin, 2011):
Korelasi semi parsial antara X1 dan Y:
−( )( )
( . ) = (5)
(1 − )
Korelasi semi parsial antara X2 dan Y:
−( )( ) (6)
( . ) =
(1 − )
( . ) = Koefisien korelasi semi parsial antara variabel independen
pertama (X1) dan variabel dependen (Y).
( . ) = Koefisien korelasi semi parsial antara variabel independen
kedua (X2) dan variabel dependen (Y).
= Koefisien korelasi X1 dan X2.
= Kuadrat koefisien korelasi X1 dan X2.
Rumus berikut ini digunakan untuk menentukan signifikansi

koefisien korelasi semi parsial (Sheskin, 2011):
- 72 -
√ −
= (7)
1−

= Nilai t hitung.
= Nilai koefisien korelasi semi parsial.
= Kuadrat koefisien korelasi semi parsial.
Signifikansi koefisien korelasi semi parsial ditentukan dengan

membandingkan nilai t hitung dengan nilai t tabel. Derajat bebas (db)
dihitung dengan n – v. Koefisien korelasi semi parsial dinyatakan
signifikan jika nilai t hitung lebih besar dari nilai t tabel. Koefisien
korelasi semi parsial dinyatakan tidak signifikan jika nilai t hitung
lebih kecil dari nilai t tabel.
G. Contoh Soal Korelasi Semi Parsial

Redaksi, variabel, hipotesis, dan data penelitian identik dengan
contoh soal korelasi parsial. Hanya saja dalam contoh ini, hipotesis
diuji atas dasar taraf signifikansi 0.01 (α = 0.01). Mengacu pada hasil
penghitungan dalam Tabel 10, korelasi semi parsial antara X1 dan Y
dihitung sebagai berikut:
−( )( ) 0.484 − (−0.368)(0.130)
( . ) = =
(1 − ) (1 − 0.130 )
0.53184
( . ) = = 0.536
0.9915
Nilai koefisien korelasi parsial 0.536 di atas selanjutnya diuji

signifikansinya dengan formula sebagai berikut:
- 73 -
√ − . 54√24 − 3
= =
1− 1 − (.54)
2.4746
= = 2.94
0.8417
Dengan db sama dengan 21 (n – v = 24 − 3), taraf signifikansi
0.01, dan uji hipotesis satu arah (one-tailed), nilai t tabel adalah 2.518
(Lihat Tabel A.2 di Lampiran). Karena nilai t hitung (= 2.94) lebih
besar daripada nilai t tabel (= 2.518), Hipotesis pertama dengan
demikian diterima.
Hipotesis kedua diuji dengan, pertama, menghitung korelasi
semi parsial antara X2 dan Y dengan formula sebagai berikut:
−( )( ) (−0.368) − (0.484)(0.130)
( . ) = =
(1 − ) (1 − 0.130 )
−0.43092
( . ) = = −0.435 |0.435|
0.9915139938498095
Nilai t dari koefisien korelasi semi parsial −0.435 |0.435|

ditentukan dengan formula sebagai berikut:
√ − (−0.4345)√24 − 3
= =
1− 1 − (−0.4345)
−1.9911
= = −2.211 |2.211|
0.9007
Nilai t hitung (= 2.211) dengan demikian lebih kecil dibandingkan

dengan nilai t tabel (= 2.518). Dengan demikian, Hipotesis kedua ditolak.
H. Pengerjaan Contoh Soal Korelasi Semi Parsial Menggunakan

JASP
Pengerjaan contoh soal korelasi semi parsial menggunakan JASP
identik dengan pengerjaan soal korelasi semi parsial. Input data sama
- 74 -
dengan contoh soal korelasi parsial, yang bisa diunduh di

https://bit.ly/KorelasiParsialSemiParsial.
Bagian hasil pada Langkah 7 yang relevan dengan korelasi semi
parsial adalah part correlation, sebagaimana ditampilkan dalam
screenshot sebagai berikut:
Laporan hasil contoh soal korelasi semi parsial sesuai kaidah APA
edisi 7
Analisis korelasi semi parsial menunjukkan bahwa, mendukung
hipotesis pertama, dengan mengendalikan peran sikap positif
terhadap populisme, legitimasi pemerintah berkorelasi positif dan
signifikan dengan kepatuhan kepada pemerintah, ( . ) = .54
Hipotesis kedua juga diterima karena, dengan mengendalikan peran
legitimasi pemerintah, sikap positif terhadap populisme berkorelasi
negatif dan signifikan dengan kepatuhan kepada pemerintah,
( . ) = −.43
I. Uji Asumsi Contoh Soal Korelasi Semi Parsial Menggunakan

JASP
Uji asumsi normalitas distribusi dan linearitas hubungan
variabel-variabel penelitian dalam korelasi semi parsial identik
dengan korelasi parsial.
- 75 -
BAB 7
Hubungan Regresi Linier
Sederhana
A. Pengantar Uji Hubungan Regresi Linear

Uji hubungan regresi linear, yang dalam buku ini disingkat
sebagai regresi, ditujukan untuk melakukan prediksi. Tujuan ini
berbeda dengan uji hubungan korelasi untuk mengukur derajat kuat-
lemahnya variabel-variabel penelitian dalam bervariasi atau bergerak
secara bersama-sama. Dalam uji hubungan regresi, variabel
independen (X) disebut juga sebagai prediktor sementara variabel
dependen (Y) disebut sebagai kriteria. Variabel X diteliti untuk
menjelaskan atau memprediksi tinggi-rendahnya variabel Y
(Montgomery dkk., 2021).
- 76 -
Gambar 22. Rata-Rata (Mean), Sumber Variansi Regresi, Sumber Variansi

Residu, dan Persamaan Regresi dalam Hubungan antara Variabel
Independen (X) dan Variabel Dependen (Y).
Keterangan. M = mean atau rata-rata variabel Y;
Y’ = persamaan garis regresi.
Sumber: (Hadi, 2004)
Sebagaimana bisa kita lihat pada Gambar 22 di atas, ada dua jenis
sumber variansi dalam regresi. Sumber variansi pertama adalah
residu, yang disebut juga sebagai sumber variansi dalam kelompok
(within-group) atau error. Sumber variansi kedua adalah regresi, yang
disebut juga sebagai variansi antar kelompok (between-group).
Sumber variansi residu mencerminkan skor atau beberapa skor dalam
data yang menyimpang dari garis regresi. Sumber variansi regresi
menggambarkan sejuah mana skor atau beberapa skor dalam data
yang diprediksikan yang membentuk garis regresi menyimpang dari
rata-rata atau mean skor variabel dependen (Y).
Uji hubungan regresi pada dasarnya bisa dibagi ke dalam dua
kategori. Pertama adalah regresi sederhana atau simple regression dan
regresi ganda atau multiple regression. Regresi sederhana
menganalisis kemampuan sebuah variabel independen (X) dalam
menjelaskan atau memprediksi sebuah variabel dependen (Y).
Terkait dengan definisi ini, regresi sederhana termasuk ke dalam uji
hubungan bivariat karena yang dianalisis adalah dua variabel. Regresi
- 77 -
ganda menganalisis kemampuan dua atau lebih variabel independen

(X1, X2, dan seterusnya) dalam menjelaskan sebuah variabel dependen
(Y). Regresi ganda termasuk ke dalam jenis uji hubungan multivariat
karena yang dianalisis adalah lebih dari dua variabel.
Sama seperti uji hubungan korelasi, uji hubungan regresi
mensyaratkan bahwa variabel-variabel yang dianalisis minimal
berskala interval. Semua variabel, baik variabel independen maupun
variabel dependen, umumnya bersifat ‘diukur’, dan bukannya
bersumber dari suatu perlakuan. Uji hubungan regresi parametrik
mensyaratkan bahwa variabel-variabel yang diteliti memenuhi sejumlah
asumsi, seperti normalitas, linearitas, dan homokedastisitas. Uji
hubungan regresi dilakukan melalui sejumlah prosedur atau langkah,
yang rinciannya adalah sebagai berikut (Howell, 2017):
1. Menghitung korelasi antar variabel penelitian.
2. Menguji signifikansi keseluruhan model regresi.
3. Menentukan persamaan regresi linear sederhana.
4. Menguji signifikansi koefisien regresi.
5. Menentukan persentase kemampuan variabel independen dalam
menjelaskan variabel dependen.
B. Regresi Linear Sederhana

Regresi linear sederhana merupakan analisis statistik uji
hubungan yang bersifat bivariat (Lihat Tabel 5), yang berfungsi
menguji peran sebuah variabel independen (X) terhadap sebuah
variabel dependen (Y). Kedua variabel harus diukur dalam skala
interval maupun rasio dan berdistribusi secara normal. Koefisien
regresi linear sederhana diberi simbol R. Langkah-langkah dalam
regresi linear sederhana dijelaskan sebagai berikut.
Analisis regresi linear sederhana memerlukan beberapa langkah.
Langkah pertama adalah menghitung korelasi antara variabel variabel
independen (X) dan variabel dependen (Y), menggunakan rumus
Pearson product moment (Lihat rumus 1.1). Langkah pertama ini
berfungsi untuk menetapkan apakah hubungan antara variabel X dan
Y bersifat linear atau nonlinear. Korelasi antara variabel X dan variabel
- 78 -
Y yang signifikan mengindikasikan bahwa hubungan antara kedua

variabel tersebut bersifat linear. Jika korelasi tersebut tidak signifikan,
sebaliknya, hubungan antara kedua variabel bersifat nonlinier.
Langkah kedua adalah menguji signifikansi keseluruhan model
regresi. Tabel 11 di bawah ini memuat informasi mengenai sejumlah
penghitungan yang harus dilakukan dalam langkah kedua. Dalam
Tabel 11, penghitungan tersebut terdiri dari sumber variasi, derajat
bebas, jumlah kuadrat (sum of squares: SS), dan rata-rata atau mean
kuadrat (mean squares: MS), nilai F hitung dan F tabel.
Kuadrat untuk Menentukan Signifikansi Keseluruhan Model Regresi.
Derajat Mean
Sumber Jumlah Kuadrat Ftabel &
bebas Kuadrat Fhitung
Variasi (SS) Sig.
(db) (MS)
F hitung
> F tabel
= Ha
= diterima;
regresi =
MSregresi F
Regresi k [∑( − )( − )] SSregresi
= MSresidu hitung
∑( − ) dbregresi
< F
tabel =
Ha
ditolak;
=
residu
Residu N−v SSresidu
= −
dbresidu
Total N−1 total = ( − )
Keterangan. k = jumlah variabel independen; v = jumlah variabel penelitian;

Sig. = signifikansi nilai F hitung.
Dalam Tabel 11 di atas, Simbol k adalah jumlah variabel

independen (X), simbol v adalah jumlah variabel (gabungan variabel
independen dan dependen), N adalah jumlah subjek penelitian,
regresi adalah jumlah kuadrat regresi, residu adalah jumlah kuadrat
residu, total adalah jumlah kuadrat total. Nilai kritis distribusi F
- 79 -
(Tabel A.3, A.4, dan A.5 di Lampiran) ditentukan atas dasar dua
derajat bebas (db). Pertama adalah db regresi atau antar-kelompok
yang nilainya sama dengan jumlah variabel independen (k). Kedua
adalah db residu atau dalam-kelompok yang nilainya sama dengan N
(jumah subjek penelitian) – v (jumlah variabel penelitian). Selain dua
jenis derajat bebas tersebut, nilai F tabel juga ditentukan atas dasar
taraf signifikansi (α).
Dalam Tabel 11 di atas, langkah kedua berguna untuk menguji
apakah model peran variabel independen (X) terhadap variabel
dependen (Y) bersifat linear atau nonlinier. Ketentuan yang
ditetapkan adalah jika nilai F hitung atau F empiris lebih besar dari
nilai F tabel atau F teoretis maka model regresi dinyataan bersifat
linear. Sebaliknya, jika nilai F hitung atau F empiris lebih kecil dari
nilai F tabel atau F teoretis maka model regresi dinyataan bersifat
nonlinier.
Langkah ketiga adalah menentukan persamaan regresi linear
sederhana. Persamaan ini bisa dalam bentuk tidak terstandarisasi
(unstandardised) atau dalam bentuk terstandarisasi (standardised)
(Howell, 2017). Rumus persamaan regresi linear sederhana yang tidak
terstandarisasi adalah sebagai berikut:
= + (8)

= Skor variabel dependen terprediksi.
= Koefisien regresi tidak terstandarisasi.
= Skor variabel independen.
= Konstanta.
Dalam rumus (8) di atas:

(∑ )(∑ )
∑ −
= (9)
(∑ )
∑ −
∑ − ( )(∑ )
=
- 80 -

∑ = Jumlah total hasil perkalian variabel X dan Y dari masing-
masing subjek penelitian.
∑ = Jumlah skor variabel X.
∑ = Jumlah skor variabel Y.
∑ = Jumlah total hasil kuadrat variabel X dari masing-masing
subjek penelitian.
(Ʃ ) = Kuadrat Jumlah total variabel X dari seluruh subjek
penelitian.
ƩX = Jumlah skor variabel independen.
Rumus persamaan regresi linear sederhana yang terstandarisasi

adalah sebagai berikut:
=β + (10)

β = Koefisien regresi terstandarisasi.
= Skor variabel independen.
= Konstanta.
Dalam rumus (10) di atas:
β= (11)

β = Koefisien regresi terstandarisasi.
= Deviasi standar variabel X.
= Deviasi standar variabel Y.
Persamaan regresi linear sederhana ditafsirkan atas dasar,

pertama, koefisien regresi, dan, kedua, atas dasar konstanta. Atas
- 81 -
dasar koefisien regresi, persamaan regresi bermakna bahwa kenaikan

variabel X dalam satu unit pengukuran akan berdampak pada
kenaikan variabel Y dalam satu unit pengukuran variabel X. Jika
variabel X naik dalam dua unit pengukuran maka variabel Y juga akan
baik dalam dua unit variabel X tersebut. Atas dasar konstanta,
persamaan regresi bermakna bahwa dengan mengasumsikan bahwa
variabel X sama dengan nol, Y akan naik sebesar nilai konstanta
tersebut.
Langkah keempat adalah menguji signifikansi koefisien regresi.
Langkah ini berfungsi untuk menguji kebenaran hipotesis penelitian.
Jika koefisien regresi terbukti signifikan maka hipotesis penelitian
diterima. Sebaliknya, jika koefisien regresi terbukti tidak signifikan maka
hipotesis penelitian ditolak. Formula atau rumus uji signifikansi
koefisien regresi sederhana (satu variabel independen atau prediktor)
MSregresi
= MSresidu
(12)

= Nilai t hitung.
MSregresi = Rata-rata atau mean kuadrat regresi.
MSresidu = Rata-rata atau mean kuadrat residu.
Langkah kelima sekaligus terakhir adalah mengkuadratkan nilai

koefisien regresi sederhana ( ). Langkah ini penting untuk
menentukan persentase kemampuan variabel independen dalam
menjelaskan variabel dependen.
C. Contoh Soal Regresi Linear Sederhana

Kita ambil contoh sebuah penelitian yang berminat menjelaskan
tendensi prososial atau kecenderungan individu untuk memberi
pertolongan kepada orang lain atas dasar empati, yaitu emosi atau
perasaan iba atau simpati atas kesulitan atau permasalahan yang
- 82 -
dialami oleh orang lain. Dalam contoh ini, tendensi prososial

berperan sebagai variabel dependen (Y) sementara empati berperan
sebagai variabel independen (X). Andaikan bahwa masing-masing
variabel diukur dengan skala. Variasi nilai atau skor skala empati
bergerak dari 1 (sangat tidak empatik) sampai dengan 10 (sangat
empatik). Variasi nilai atau skor skala tendensi prosial bergerak dari
1 (sangat tidak prososial) sampai dengan 10 (sangat proposial).
Hipotesa kerja atau alternatif (Ha) yang diajukan bersifat satu arah
(one-tailed), yang menyatakan bahwa “empati menjadi prediktor yang
signifikan dalam menjelaskan tendensi prosial, di mana semakin tinggi
empati maka semakin tinggi juga tendensi prososial. Sebaliknya,
semakin rendah empati maka semakin rendah juga tendensi prososial”.
Hipotesis penelitian diuji atas dasar taraf signifikansi 0.05 (α = 0.05).
Asumsikan bahwa masing-masing variabel berdistribusi secara normal.
Peneliti berhasil merekrut 20 responden. Data hasil penelitian
ditampilkan dan diolah dalam Tabel 12 sebagai berikut:
Tabel 12. Data Peran Empati terhadap Tendensi Prososial.
No.
X Y X2 Y2 XY
Subjek
1. 2 5 4 25 10
2. 7 5 49 25 35
3. 1 2 1 4 2
4. 1 4 1 16 4
5. 5 6 25 36 30
6. 7 7 49 49 49
7. 10 9 100 81 90
8. 6 10 36 100 60
9. 1 4 1 16 4
10. 4 6 16 36 24
11. 5 7 25 49 35
12. 4 2 16 4 8
13. 8 5 64 25 40
14. 9 10 81 100 90
15. 10 3 100 9 30
- 83 -
16. 4 1 16 1 4
17. 7 2 49 4 14
18. 1 2 1 4 2
19. 6 4 36 16 24
20. 2 3 4 9 6
N = 20 ƩX=100 ƩY=97 Ʃ X2=674 ƩY2=609 Ʃ XY=561
Keterangan. X = empati, Y = tendensi prososial.

Berlandaskan pada hasil penghitungan pada Tabel 12 di atas,
hipotesis di atas diuji melalui langkah-langkah sebagai berikut.
Langkah pertama adalah menghitung korelasi (Pearson product
moment) antara variabel independen (X) dan variabel dependen (Y)
dengan rumus sebagai berikut:
(∑ )(∑ )
∑XY −
xy =
(∑ ) (∑ )
∑ − ∑ −
(100)(97)
561 − 76
= 20 =
xy
(100) (97) [174][138.55]
674 − 609 −
20 20
76
xy = = 0.489
155.2665450121178
Langkah kedua adalah menguji linieritas model regresi, yang
memerlukan transformasi data dalam Tabel 12 ke dalam Tabel 13
sebagai berikut.
Tabel 13. Transformasi Data dalam Tabel 12 Peran
Empati terhadap Tendensi Prososial.
No. X−M Y−M (X−MX)

X Y (X −MX)2 (Y−MY)2
Subjek X Y (Y−MY)
1. 2 5 −3 9 0.15 0.0225 −0.45
2. 7 5 2 4 0.15 0.0225 0.3
3. 1 2 −4 16 −2.85 8.1225 11.4
- 84 -
4. 1 4 −4 16 −0.85 0.7225 3.4

5. 5 6 0 0 1.15 1.3225 0
6. 7 7 2 4 2.15 4.6225 4.3
1
7. 9 5 25 4.15 17.2225 20.75
0
1
8. 6 1 1 5.15 26.5225 5.15
0
9. 1 4 −4 16 −0.85 0.7225 3.4
10. 4 6 −1 1 1.15 1.3225 −1.15
11. 5 7 0 0 2.15 4.6225 0
12. 4 2 −1 1 −2.85 8.1225 2.85
13. 8 5 3 9 0.15 0.0225 0.45
1
14. 9 4 16 5.15 26.5225 20.6
0
1
15. 3 5 25 −1.85 3.4225 −9.25
0
16. 4 1 −1 1 −3.85 14.8225 3.85
17. 7 2 2 4 −2.85 8.1225 −5.7
18. 1 2 −4 16 −2.85 8.1225 11.4
19. 6 4 1 1 −0.85 0.7225 −0.85
20. 2 3 −3 9 −1.85 3.4225 5.55
Ʃ(X−MX) Ʃ(Y−MY) Ʃ(X−MX
N = 20 2
= 174 2
= 138.55 )
(Y−MY)
= 76
Mengacu hasil penghitungan dalam Tabel 13 di atas, nilai
regresi , residu dan total dihitung sebagai berikut:
[∑( − )( − )] [76]
regresi = = = 33.1954
∑( − ) 174
total = ( − ) = 138.55
residu = − = 138.55 − 33.1954 =105.3546

- 85 -
Nilai regresi , residu dan total di atas selanjutnya dikompilasi

ke dalam Tabel 14 di bawah ini untuk menguji signifikansi koefisien
regresi (R) sama dengan 0.49.
Tabel 14. Penentuan Signifikansi Linieritas Model Regresi Peran Empati
terhadap Tendensi Prososial.
Derajat Jumlah Mean

Sumber Ftabel &
bebas Kuadrat Kuadrat Fhitung
Variasi Sig.
(db) (SS) (SM)
db
regresi =
= 1;
SSregresi MSregresi db residu
dbregresi MSresidu = 18;
33.1954 = =
Regresi k=1 33.1954 =
1 33.1954 . 05);
5.8530 Ftabel =
= 33.1954 4.41;
= 5.67 Fhitung >
Ftabel = Ha
diterima.
SSresidu
dbresidu
N−v=
105.3546
Residu 20 − 2 105.3546 =
18
= 18
= 5.8530
N −1=
Total 20 −1= 138.55
19
Keterangan. Sig. = Signifikansi nilai Fhitung.
Mengacu pada hasil penghitungan pada Tabel 14 di atas, nilai

Fhitung (= 5.67) lebih besar daripada nilai Ftabel (= 4.41), dengan db
regresi sama dengan 1, db residu sama dengan 18, dan taraf
- 86 -
signifikansi 0.05 (Lihat Tabel A.3 di Lampiran). Kesimpulannya,

model regresi bersifat linear dalam menjelaskan data peran empati
terhadap tendensi prososial.
Uji linieritas model regresi sederhana juga bisa dilakukan dengan
mengacu prosedur korelasi Pearson product moment. Nilai R sebesar
0.489 di atas adalah signifikan. Kesimpulan ini didasarkan pada
observasi bahwa nilai R sebesar 0.489 tersebut lebih besar dari nilai r
tabel atau teoritis sebesar 0.378, dengan derajat bebas (db) sama
dengan 18 (N − 2 = 20 − 2).
Langkah ketiga menentukan persamaan regresi linear sederhana.
Nilai koefisien regresi tidak terstandarisasi dihitung sebagai berikut.
(∑ )(∑ ) (100)(97)
∑ − 561 −
20
= =
(∑ ) (100)2
∑ − 674 −
20
76
= = 0.4368
174
Nilai konstanta dihitung dengan cara sebagai berikut.
∑ − ( )(∑ ) 97 − (0.4368)(100)
= =
20
53.32
= = 2.666
20
Persamaan regresi linear sederhana adalah sebagai berikut:

= 0.44 + 2.67
Makna dari persamaan regresi di atas adalah, pertama, dengan
mengasumsikan bahwa variabel X bernilai nol, variabel Y akan naik
sebesar nilai konstanta, yaitu 2.67. Kedua, jika variabel X naik dalam
satu unit pengukuran maka variabel Y akan naik sebesar 0.44. Jika
- 87 -
variabel X naik dalam dua unit pengukuran maka variabel Y akan naik
sebesar 2 × 0.44 = 0.88.
Jika persamaan regresi di atas menggunakan koefisien regresi
terstandarisasi maka diperlukan formula sebagai berikut.
β=
(∑ ) (100)
∑ − 674 −
= = 20
−1 20 − 1
174
= = √9.1579 = 3.0262
19
(∑ ) (97)
∑ − 609 −
= = 20
−1 20 − 1
138.55
= = √7.2921 = 2.7004
19
3.0262
β= = 0.4368 = 0.4895
2.7004
Persamaan regresi linear sederhana adalah sebagai berikut:

= 0.4895 + 2.67
Langkah keempat adalah menguji signifikansi koefisien regresi

dengan formula sebagai berikut:
MSregresi 33.1954
= = = √5.6715 = 2.38
MSresidu 5.8530
Dengan derajat bebas (db) sebesar 19 (N − 1= 20 − 1), taraf

signifikansi 0.05, dan uji hipotesis satu arah (one-tailed), nilai t tabel
- 88 -
adalah 1.725 (Lihat Tabel A.2 di Lampiran). Karena nilainya lebih

besar dari nilai t tabel maka nilai t hitung = 2.38 di atas adalah
signifikan. Hipotesis penelitian (Ha) dengan demikian bisa diterima.
Menggunakan online calculator (https://www.socscistatistics.
com/pvalues/pearsondistribution.aspx; “P Value from Pearson (R)
Calculator”, 2022), dengan memasukkan nilai R Score = .48, N = 20,
dan Significance Level = 0.05, nilai signifikansi (p) adalah 0.028294.
Nilai p dengan demikian signifikan karena kurang dari 0.05. Dengan
hasil ini, hipotesis kerja dinyatakan diterima.
Langkah kelima sekaligus terakhir adalah menghitung kuadrat
koefisien regresi sederhana untuk mengetahui persentase
kemampuan variabel independen dalam menjelaskan variabel
dependen. Karena nilai R sama dengan 0.4895 maka nilai R2 sama
dengan 24 atau 24 persen. Dengan demikian, variabel independen
empati mampu menjelaskan variabel dependen tendensi prososial
sebesar 24 persen.
D. Pengerjaan Contoh Soal Regresi Linear Sederhana

Menggunakan JASP
soal regresi linear sederhana menggunakan JASP. Data mentah
contoh regresi linear sederhana ini bisa diunduh di OSF dengan link:
https://osf.io/c7thb
Input data dalam bentuk skala interval, baik untuk Empati (X)
maupun Tendensi Prososial (Y).
- 89 -


mengeklik open.
- 90 -
Langkah 4. Menjalankan JASP dengan mengatur atau menetap-kan

- 91 -

Langkah 6. Memindahkan Tendensi Prososial (Y) dari Kotak

Linear Regression ke Kotak Dependent Variable, memindahkan
Empati (X) dari Kotak Linear Regression ke Kotak Covariates.
Mengklik menu Statistics dan mencentang opsi Estimates, Model fit,
dan Descriptives, di bawah menu Regression Coefficients.
- 92 -
Langkah 7. Mengecek hasil atau Results Langkah 6 di layar

sebelah kanan dengan tampilan sebagai berikut:
- 93 -
Laporan hasil contoh soal regresi linear sederhana sesuai kaidah

APA edisi 7
Analisis regresi linear sederhana menunjukkan bahwa garis
linear peran empati terhadap tendensi prososial adalah signifikan, R
= .49, F(1, 18) = 5.67, p = .028. Sesuai dengan hipotesis yang
ditetapkan, empati berperan sebagai prediktor positif terhadap
tendensi prososial di mana semakin tinggi empati maka semakin
tinggi tendensi prososial, b = 0.44, β = .49, t = 2.38, p = .028. Empati
menjelaskan 24 persen variasi skor tendensi prososial, R2 = .24.
E. Uji Asumsi Contoh Soal Regresi Linear Sederhana Menggunakan

JASP
Uji asumsi pertama dalam regresi linear sederhana adalah variabel
independen (X) dan variabel dependen (Y) terdistribusi normal. Untuk
menguji asumsi ini, langkah pertama adalah mengeklik menu
Descriptives dan memindahkan Empati (X) dan Tendensi Prososial (Y)
- 94 -
dari kotak Descriptive Statistics ke kotak Variables. Mengeklik menu

Statistics dan mencentang opsi Shapiro-Wilk Test.
Nilai p Shapiro-Wilk untuk Empati (X) = 0.14 dan Tendensi

Prososial (Y) = 0.14 adalah tidak signifikan karena lebih besar dari
0.05. Kesimpulannya, kedua variabel tersebut terdistribusi secara
normal (Goss-Sampson, 2020).
- 95 -

diuji dengan visualisasi scatter plots hubungan antar variabel. Dengan
mengeklik opsi Customizable plot dan mencentang opsi Scatter plots,
Add regression line, dan Linear.
Kita lihat bahwa hubungan antara Empati (X) dan Tendensi

Prososial (Y) terwakili dengan slope yang tajam, bukannya mendatar.
- 96 -
Slope tajam yang menaik dan bergerak dari kiri ke kanan menunjuk
hubungan linear ke arah negatif (Goss-Sampson, 2020).
Asumsi ketiga adalah homokedastisitas. Untuk menguji asumsi ini,
klik menu Regression, Linear Regression (Classical). Memindahkan
Empati (X) dari kotak Linear Regression ke kotak Covariates dan
Tendensi Prososial (Y) dari kotak Linear Regression ke kotak Dependent
Variable. Selanjutnya, klik menu Plots dan di bawah submenu Residuals
Plots, mencentang opsi Residuals vs. predicted.
- 97 -
Kita lihat bahwa jarak atau sebaran penyimpangan residu atau

error dari garis horizontal tersebar secara merata atau relatif seragam,
tidak berbentuk seperti corong (funnel). Hal ini mengindikasikan bahwa
asumsi homokedastisitas terpenuhi (Goss-Sampson, 2020).
- 98 -
BAB 8
Hubungan Regresi Linier
Ganda
A. Regresi Linear Ganda Dua Prediktor

Analisis regresi linier ganda dua prediktor memerlukan lima
langkah. Langkah pertama adalah menghitung multipe correlation
antara variabel independen pertama (X1), variabel independen kedua
(X2), dan variabel dependen (Y). Rumus multiple correlation adalah
sebagai berikut (Cohen dkk., 2014; Sheskin, 2011):
YX1 YX2 2rYX1 YX2 X1X2 (13)

Y.X1X2 =
X1X2

RY.X1X2 = Koefisien korelasi antara Y dengan X1 dan X2.
rYX1 = Koefisien korelasi prediktor X1dan Y.
rYX2 = Koefisien korelasi prediktor X2 dan Y.
rX1X2 = Koefisien korelasi prediktor X1 dan X2.
Langkah kedua adalah menguji linieritas model regresi ganda dua

prediktor. Langkah kedua ini memerlukan penghitungan sumber
variasi, derajat bebas (db), jumlah kuadrat (SS), dan rata-rata kuadrat
(MS), sebagaimana disajikan dalam Tabel 15 sebagai berikut:
- 99 -
Kuadrat untuk Menentukan Linieritas Model Regresi Ganda Ganda dengan
Dua Prediktor.
Derajat Mean
Sumber Jumlah Ftabel &
bebas Kuadrat Fhitung
Variasi Kuadrat (SS) Sig.
(db) (SM)
Fhitung >
Ftabel = Ha
= =
diterima;
Regresi k=1 = SSregresi MSregresi
Fhitung <
− dbregresi MSresidu
Ftabel = Ha
ditolak.
=
Residu N−v = (1 SSresidu — —
− 2 )( ) dbresidu
total
Total N −1 = ( — — —
− )
Langkah ketiga, mengacu hasil penghitungan pada Tabel 15 di

atas, adalah menentukan persamaan regresi linier ganda dua
prediktor. Untuk persamaan regresi linier ganda dengan parameter
yang tidak terstandarisasi, formulanya adalah sebagai berikut:
= X1 + X2 + (14)

= Koefisien regresi tidak terstandarisasi variabel independen pertama.
= Koefisien regresi tidak terstandarisasi variabel independen kedua.
X1 = Variabel independen pertama.
X2 = Variabel independen kedua.
= Konstanta.
- 100 -
Dalam rumus (14) di atas, b1, b2, dan a dihitung dengan cara
sebagai berikut:
−( )( )
=
(1 − )
−( )( ) (15)
=
(1 − )
= − ( )( ) − ( )( )

= Koefisien regresi tidak terstandarisasi variabel independen
pertama.
= Koefisien regresi tidak terstandarisasi variabel independen kedua.
= Konstanta.
= Deviasi standar variabel dependen.
= Deviasi standar variabel independen pertama.
= Deviasi standar variabel independen kedua.
= Rata-rata variabel dependen.
= Rata-rata variabel independen pertama.
= Rata-rata variabel independen kedua.
Untuk persamaan regresi linier ganda dengan parameter yang

terstandarisasi, formulanya adalah sebagai berikut:
= β X +β X (16)

β = Koefisien regresi terstandarisasi variabel independen pertama.
β = Koefisien regresi terstandarisasi variabel independen kedua.
X1 = Variabel independen pertama.
X2 = Variabel independen kedua.
- 101 -
Dalam rumus (16) di atas, β1 dan β2 dihitung dengan cara sebagai

berikut:
−( )( ) (17)
β =
(1 − )
−( )( )
β =
(1 − )
Langkah keempat adalah menguji signifikansi koefisien regresi

variabel independen pertama (X1) dan variabel independen kedua
(X2). Rumus signifikansi koefisien regresi variabel independen
pertama (X1) adalah sebagai berikut:
=
(18)
1− .
=
(1 − )( − − 1)

= Nilai t hitung koefisien regresi terstandarisasi variabel
independen pertama (X1).
= Koefisien regresi terstandarisasi variabel independen pertama
(X1).
= Eror standar koefisien regresi variabel independen pertama (X1).
= Deviasi standar variabel dependen (Y).
= Deviasi standar variabel independen pertama (X1).
. = Kuadrat multiple correlation.
= Kuadrat korelasi variabel independen pertama (X1) dan kedua
(X2).
Rumus signifikansi koefisien regresi variabel independen kedua

(X2) adalah sebagai berikut:
- 102 -
(19)
1− .
=
(1 − )( − − 1)

= Nilai t hitung koefisien regresi terstandarisasi variabel independen
kedua (X2).
= Koefisien regresi terstandarisasi variabel independen kedua (X2).
= Eror standar koefisien regresi variabel independen kedua (X2).
= Deviasi standar variabel dependen (Y).
6. Menentukan persentase kemampuan variabel independen dalam
= Deviasi standar variabel independen kedua (X2).
menjelaskan
= Kuadrat variabel dependen.
multiple correlation.
.
= Kuadrat korelasi variabel independen pertama (X1) dan kedua
(X2). linier ganda dengan dua prediktor:
Analisa regresi
Langkah pertama (Koefisien korelasi antara X1. X2. dan Y): sumber
Langkah kelima adalah menentukan peran simultan variabel

independen pertama (X1) dan variabel independen kedua (X2) dalam
menjelaskan variabel dependen (Y). Langkah ini bisa dilakukan
dengan mengkuadratkan nilai multiple correlation ( Y.X1X2 ). Langkah
kelima juga mencakup penghitungan peran unik dari variabel
independen pertama (X1) dan variabel independen kedua (X2) dalam
menjelaskan variabel dependen (Y). Peran unik variabel X1 mengacu
pada kuadrat korelasi parsial X1 dan Y ( .
). Peran unik variabel
X2 mengacu pada kuadrat korelasi parsial X2 dan Y ( .
).
B. Contoh Soal Regresi Linear Ganda Dua Prediktor

Sebuah penelitian dilakukan untuk menjelaskan maraknya aksi
intoleransi terhadap kelompok minoritas agama. Mengacu pada teori
dan hasil hasil riset yang relevan sebelumnya, penelitian tersebut
- 103 -
menguji peran identifikasi nasional (national identification) dan

pengambilan perspektif (perspective taking) sebagai prediktor toleransi
beragama. Terdapat tiga hipotesis alternatif atau hipotesis kerja yang
diajukan. Andaikan bahwa masing-masing variabel diukur dengan skala.
Skor skala identifikasi nasional bervariasi dari 10 (sangat lemah) sampai
dengan 50 (sangat kuat). Skor pengambilan perspektif bervariasi dari 10
(sangat lemah) sampai dengan 50 (sangat kuat). Skor toleransi bergama
bervariasi dari 10 (sangat tidak toleran) sampai dengan 50 (sangat
toleran).
Hipotesis alternatif pertama (Ha1) bersifat dua arah (two-tailed),
yang menyatakan bahwa “Secara simultan atau bersamaan, identifikasi
nasional dan pengambilan perspektif berperan signifikan dalam
menjelaskan atau memprediksi toleransi beragama”. Hipotesis alternatif
kedua (Ha2) bersifat satu arah (one-tailed), yang menyatakan bahwa
“secara unik, dengan mengendalikan peran pengambilan perspektif,
identifikasi nasional berperan signifikan sebagai prediktor positif
toleransi beragama”. Hipotesis alternatif ketiga (Ha3) juga bersifat satu
arah (one-tailed), yang menyatakan bahwa “secara unik, dengan
mengendalikan peran identifikasi nasional, pengambilan perspektif
berperan signifikan sebagai prediktor positif toleransi beragama”.
Mengasumsikan bahwa asumsi-asumsi dalam regresi ganda
terpenuhi, hipotesis-hipotesis tersebut diuji pada taraf signifikansi
0.01 ( α = 0.01 ). Peneliti merekrut 20 responden dan data hasil
penelitian ditampilkan dalam Tabel 16 sebagai berikut:
Tabel 16. Data Peran Identifikasi Nasional
dan Pengambilan Perspektif terhadap Toleransi Beragama.
No.
X1 X12 X2 X22 Y Y2 X1Y X2Y X1X2
Subjek
1. 20 400 34 1156 40 1600 800 1360 680
2. 33 1089 38 1444 43 1849 1419 1634 1254
3. 45 2025 41 1681 47 2209 2115 1927 1845
4. 21 441 25 625 30 900 630 750 525
5. 11 121 21 441 20 400 220 420 231
6. 44 1936 29 841 39 1521 1716 1131 1276
- 104 -
7. 35 1225 40 1600 34 1156 1190 1360 1400

8. 46 2116 45 2025 42 1764 1932 1890 2070
9. 43 1849 45 2025 40 1600 1720 1800 1935
10. 12 144 20 400 17 289 204 340 240
11. 19 361 21 441 19 361 361 399 399
12. 22 484 22 484 19 361 418 418 484
13. 33 1089 27 729 25 625 825 675 891
14. 36 1296 28 784 29 841 1044 812 1008
15. 40 1600 39 1521 37 1369 1480 1443 1560
16. 19 361 13 169 18 324 342 234 247
17. 25 625 33 1089 29 841 725 957 825
18. 26 676 40 1600 34 1156 884 1360 1040
19. 36 1296 41 1681 44 1936 1584 1804 1476
20. 38 1444 50 2500 46 2116 1748 2300 1900
ΣX1 = ΣX2 ΣY =
ΣX22 ΣX1Y
604; ΣX12 = = 652; 652; ΣY2 = ΣX2Y ΣX1X2=
N =20 = =
MX1 = 20578 MX1 = MX1 = 23218 =23014 21286
23236 21357
30.2 32.6 32.6
Keterangan. X1 = identifikasi nasional, X2 = pengambilan perspektif, Y =

toleransi beragama.
Sumber: Penulis.
Langkah pertama dalam pengujian hipotesis-hipotesis penelitian,

berpatokan pada hasil penghitungan pada Tabel 16 di atas, adalah
menghitung multipe correlation hubungan antara identifikasi nasional
(variabel independen pertama: X1), pengambilan perspektif (variabel
independen kedua: X2), dan toleransi beragama (variabel dependen: Y).
Prosedurnya mengacu pada rumus 13 (multiple correlation):
YX1 + YX2− 2rYX1 YX2 X1X2

Y.X1X2 =
1 − X1X2
- 105 -
Langkah pertama memerlukan penghitungan, pertama, korelasi

antara identifikasi nasional (X1) dan toleransi beragama (Y):
(∑X1)(∑ )
∑X1Y −
Y.X1 =
(∑X1) (∑ )
∑X1 − ∑ −
(604)(652)
21357 − 1666.6
= 20 =
Y.X1
(604) (652) [2337.2][1962.8]
20578- 23218 −
20 20
1666.6
Y.X1 = = 0.778
2141.8348
Kedua adalah menghitung korelasi antara pengambilan

perspektif (X2) dan toleransi beragama (Y):
(∑X2)(∑ )
∑X2Y −
Y.X2 =
(∑X2) (∑ )
∑X2 − ∑ −
(652)(652)
23014 − 1758.8
= 20 =
Y.X2
(652) (652) [1980.8][1962.8]
23236- 23218 −
20 20
1758.8 1758.8
Y.X2 = = = 0.892
1971.7795 [1980.8][1962.8]
Langkah berikutnya menghitung korelasi antara identifikasi

nasional (X1) dan pengambilan perspektif (X2):
(∑X1)(∑X2)
∑X1X2 −
X1.X2 =
(∑X1) (∑X2)
∑X1 − ∑X2 −
- 106 -
(604)(652)
21286 −
= 20
X1.X2
(604) (652)
20578 − 23236 −
20 20
1595.6 1595.6
X1.X2 = = = 0.742
[2337.2][1980.8] 2151.6333
Nilai mutiple correlation adalah sebagai berikut:
YX1 + YX2− 2rYX1 YX2 X1X2

Y.X1X2 =
1 − X1X2
0.778 + 0.892 − (2)(0.778)(0.892)(0.742)

Y.X1X2 =
1 − 0.742
0.605284 + 0.795664 − 1.02986

Y.X1X2 = = √0.82567 = 0.90866
0.44944
0.6053 + 0.7957 − 1.0299

Y.X1X2 = = √0.82576769 = 0.9087176
0.4494
Langkah kedua adalah menguji linieritas model regresi ganda

dua prediktor dengan menghitung nilai total , , dan .
(∑ )
total = ( − ) = −
(652)
total = 23218 − = 1962.80
20
= = (1962.80)(0.826) = 1621.273
= total − = 1962.80 − 1621.2728 = 341.527

- 107 -
Hasil penghitungan di atas selanjutnya dikompilasi ke dalam

Tabel 17 di bawah ini, untuk menguji linearitas model regresi ganda
dua prediktor.
Kuadrat, dan Mean Kuadrat untuk Menentukan Linearitas Model Regresi
Ganda dengan Dua Prediktor.
Sumber Derajat Jumlah Mean

Variasi bebas Kuadrat Kuadrat Fhitung Ftabel & Sig.
(db) (SS) (SM)
db regresi = 2;
= = db residu = 17;
SSregresi MSregresi = . 01);
= =
dbregresi MSresidu
Regresi k=2 .
=
= 1621.273 .
2 . 6.11;
= 810.637 = 40.351 Fhitung > Ftabel =
Ha diterima.
=
N−v SSresidu
=
dbresidu
Residu = 20 – 3 .
= 341.527
= 17 17
= 20.0898
N −1=
total
Total 20 −1=
= 1962.80
19
Mengacu pada hasil penghitungan dalam Tabel 17 di atas,

dengan derajat bebas (db) regresi atau antar-kelompok = 17, db residu
atau dalam-kelompok = 2, dan taraf signifikansi (α) = 0.01, nilai F
tabel (Lihat Tabel A.4 di Lampiran) adalah 6.11. Karena nilai F hitung
(= 40.351) lebih besar dari nilai F tabel, model regresi ganda
dinyatakan linier.
Langkah ketiga adalah menentukan persamaan regresi. Untuk
persamaan regresi ganda dua prediktor dengan parameter yang tidak
terstandarisasi, prosedur yang digunakan adalah sebagai berikut.
- 108 -
= X1 + X2 +
−( )( )
=
(1 − )
(∑ ) (652)
∑ − 23218 −
= = 20
−1 19
= √103.3053 = 10.1639
(∑ 1) (604)
∑ 1 − 20578 −
= = 20
−1 19
= √123.01053 = 11.0910
10.1639 0.778 − (0.892)(0.742) 0.1161

= = (0.9164)
11.0910 (1 − 0.742 ) 0.4494
= (0.9164)(0.2584) = 0.2368
−( )( )
=
(1 − )
(∑ 2) (652)
∑ 2 − 23236 −
= = 20
−1 19
= √104.2526 = 10.2104
- 109 -
10.1639 0.892 − (0.778)(0.742)

=
10.2104 (1 − 0.742 )
0.3147
= (0.9955)
0.4494
= (0.9955)(0.7003) = 0.6972
= − ( )( ) − ( )( )
= 32.6 − (0.2368)(30.2) − (0.6972)(32.6)
= 32.6 − 7.15136 − 22.72872 = 2.72
Mengacu pada hasil-hasil penghitungan di atas, persamaan regresi

ganda dua prediktor dengan parameter yang tidak terstandarisasi adalah:
= 0.24X + 0.70X + 2.72
Penafsiran persamaan di atas adalah, pertama, dengan
mengendalikan pengambilan perspektif (X2), setiap kenaikan
identifikasi nasional (X1) dalam satu unit pengukuran berdampak
pada kenaikan skor toleransi bergama (Y) sebesar 2.96 (= 0.24 +
2.72) . Kedua, dengan mengendalikan identifikasi nasional (X1),
setiap kenaikan pengambilan perspektif (X2) dalam satu unit
pengukuran berdampak pada kenaikan skor toleransi beragama (Y)
sebesar 3.42 ( = 0.70 + 2.72) . Ketiga, dengan mengasumsikan
bahwa identifikasi nasional (X1) dan pengambilan perspektif (X2)
bernilai nol, nilai toleransi beragama (Y) adalah sebesar nilai
konstanta, yaitu 2.72.
Untuk persamaan regresi ganda dua prediktor dengan parameter
yang terstandarisasi, prosedur yang digunakan adalah sebagai berikut.
= β +β
−( )( ) 0.778 − (0.892)(0.742)
β = =
(1 − ) (1 − 0.742 )
0.1161
β = = 0.26
0.4494
- 110 -
−( )( ) 0.892 − (0.778)(0.742)
β = =
(1 − ) (1 − 0.742 )
0.3147
β = = 0.70
0.4494
Mengacu pada hasil-hasil penghitungan di atas, persamaan regresi

ganda dua prediktor dengan parameter yang terstandarisasi adalah:
= 0.26X + 0.70X + 2.72

Signifikansi koefisien regresi identifikasi nasional (X1)
ditentukan dengan formula sebagai berikut (Lihat rumus 18).
1− .
=
(1 − )( − − 1)
10.1639 0.1737
= = (0.9164)(0.1507) = 0.1381
11.0910 (0.4494)(17)
0.2368
= = = 1.72
0.1381
Dengan derajat bebas (db) sama dengan 19 (= N −1= 20 −1) dan

taraf signifikansi 0.01 dan uji hipotesis satu arah (one-tailed), nilai t
tabel adalah 2.539 (Lihat Tabel A.4 di Lampiran). Karena nilai t hitung
(= 1.72) lebih kecil dari nilai t tabel (= 2.539), koefisien regresi
identifikasi nasional ( ) dinyatakan tidak signifikan.
Signifikansi koefisien regresi pengambilan perspektif (X2)
ditentukan dengan formula sebagai berikut.
- 111 -
1− .
=
(1 − )( − − 1)
10.1639 0.1737
= = (0.9955)(0.1507) = 0.15
10.2104 (0.4494)(17)
0.6972
= = = 4.65
0.15
Atas dasar derajat bebas (db) sama dengan 19 (= N −1= 20 −1),

taraf signifikansi 0.01, serta uji hipotesis satu arah atau one-tailed, nilai t
tabel adalah 2.539 (Lihat Tabel A.4 di Lampiran). Nilai t hitung = 4.65 di
atas dengan demikian lebih besar dari nilai t tabel = 2.539.
Kesimpulannya, koefisien regresi pengambilan perspektif
( ) dinyatakan signifikan.
Langkah kelima adalah mengevaluasi peran simultan kedua
prediktor, yaitu identifikasi nasional (X1) dan pengambilan perspektif
(X2) terhadap toleransi beragama (Y). Dengan mengkuadratkan nilai R
sebesar 0.909, peran simultan kedua prediktor (R2) adalah 0.826 atau 82.6
persen.
Peran unik masing-masing prediktor, yang disebut juga sebagai
koefisien determinasi, ditentukan dengan mengkuadratkan nilai
koefisien korelasi parsial. Peran unik variabel independen identifikasi
nasional (X1) ditentukan dengan cara sebagai berikut:
−( )( )
. =
(1 − )(1 − )
0.778 − (0.742)(0.892) 0.116136

. = =
(1 − 0.742 )(1 − 0.892 ) (0.449436)(0.204336)
0.116136
. = = 0.383
.
- 112 -
. = 0.383 = 0.15
Mengacu pada hasil penghitungan di atas, peran identifikasi

nasional, dengan mengendalikan peran pengambilan perspektif,
terhadap toleransi beragama adalah 15 persen.
Peran unik variabel independen pengambilan perspektif (X2)
ditentukan dengan cara sebagai berikut:
−( )( )
. =
(1 − )(1 − )
0.892 − (0.742)(0.778) 0.314724

. = =
(1 − 0.742 )(1 − 0.778 ) (0.449436)(0.394716)
0.314724 0.314724
. = = = 0.747
0.4211883 (0.449436)(0.204336)
. = 0.747 = 0.56
Dengan demikian, peran pengambilan perspektif, dengan

mengendalikan peran identifikasi nasional, terhadap toleransi
beragama adalah 56 persen.
C. Pengerjaan Contoh Soal Regresi Linear Ganda Dua Prediktor

Menggunakan JASP
soal regresi ganda dua prediktor menggunakan JASP. Data mentah
contoh regresi ganda dua prediktor ini bisa diunduh di OSF dengan
link: https://bit.ly/RegresiGandaDuaPrediktor
Input data dalam bentuk skala interval, baik untuk Identifikasi
Nasional (X1), Pengambilan Perspektif (X2), maupun Toleransi (Y).
- 113 -


mengeklik open.
- 114 -

menetapkan variabel X1, X2, dan variabel Y sebagai variabel berskala
interval (scale).
- 115 -

- 116 -
Langkah 6. Memindahkan Toleransi (Y) dari Kotak Linear

Regression ke Kotak Dependent Variable, memindahkan Identifikasi
Nasional (X1) dan Pengambilan Perspektif (X2) dari Kotak Linear
Regression ke Kotak Covariates. Mengklik menu Statistics dan
mencentang opsi Estimates, Model fit, Descriptives, dan Part and Partial
Correlations di bawah menu Regression Coefficients.
- 117 -

Laporan hasil contoh soal regresi linear ganda dua prediktor sesuai
kaidah menurut APA edisi 7
Analisis regresi ganda menunjukkan bahwa, mendukung hipotesis
pertama (Ha1), identifikasi nasional dan pengambilan perspektif berperan
secara simultan dan signifikan dalam menjelaskan toleransi beragama, R2
= .91, F(2, 17) = 40.32, p < .001. Tidak mendukung hipotesis kedua (Ha2),
- 118 -
peran identifikasi nasional terhadap toleransi beragama adalah tidak

signifikan, b = 0.24, β = 0.26, t = 1.72, p = .104, kuadrat korelasi parsial
( . ) = .15. Mendukung hipotesis ketiga (Ha3), peran unik
pengambilan perspektif terhadap toleransi beragama adalah signifikan, b
= 0.70, β = 0.70, t = 4.65, p < .001, kuadrat korelasi parsial ( . )=
.56.
D. Uji Asumsi Contoh Soal Regresi Linear Ganda Dua Prediktor

Menggunakan JASP
Uji asumsi pertama dalam regresi linear ganda dua prediktor
adalah variabel independen pertama (X1), variabel independen kedua
(X2), dan variabel dependen (Y) terdistribusi normal. Untuk menguji
asumsi ini, langkah pertama adalah mengeklik menu Descriptives dan
memindahkan Identifikasi Nasional (X1), Pengambilan Perspektif
(X2), dan Toleransi (Y) dari kotak Descriptive Statistics ke kotak
Variables. Mengklik menu Statistics dan mencentang opsi Shapiro-
Wilk Test.
- 119 -
Nilai p Shapiro-Wilk untuk Identifikasi Nasional (X1) = 0.21,

Pengambilan Perspektif (X2) = 0.51, dan Toleransi (Y) = 0.09 adalah
tidak signifikan karena lebih besar 0.05. Kesimpulannya, ketiga variabel
tersebut terdistribusi secara normal (Goss-Sampson, 2020).
pertama (X1) dan variabel independen kedua (X2) dengan variabel
dependen (Y) harus bersifat linear. Asumsi ini bisa diuji dengan
visualisasi scatter plots hubungan antar variabel. Sebagai lanjutan dari
langkah uji normalitas di atas, langkah berikutnya adalah mengeklik
opsi Customizable plot dan mencentang opsi Scatter plots, Add
regression line, dan Linear, hasilnya adalah screenshot gambar
sebagai berikut:
Kita lihat bahwa hubungan antara Identifikasi Nasional (X1) dan

Toleransi (Y), serta antara Pengambilan Perspektif (X2) dan Toleransi
(Y) terwakili dengan slope yang tajam, bukannya mendatar. Slope
tajam yang menaik dan bergerak dari kiri ke kanan menunjuk
hubungan linear ke arah positif (Goss-Sampson, 2020).
- 120 -

Identifikasi Nasional (X1) dan Pengambilan Perspektif (X2) dari kotak
Linear Regression ke kotak Covariates Toleransi (Y). Memindahkan
Toleransi (Y) dari dari kotak Linear Regression ke kotak Dependent
Variable. Selanjutnya, klik menu Plots dan di bawah submenu Residuals
Plots, mencentang opsi Residuals vs. predicted.
Kita lihat bahwa jarak atau sebaran penyimpangan residu atau error
dari garis horizontal tersebar secara merata atau relatif seragam, tidak
- 121 -
berbentuk seperti corong (funnel). Hal ini mengindikasikan bahwa

Asumsi keempat sekaligus terakhir adalah multikolinearitas
(multicollinearity) atau kolinearitas (colinearity). Langkah untuk menguji
asumsi ini adalah mengeklik menu Regression, Linear Regression
(Classical). Memindahkan Identifikasi Nasional (X1) dan Pengambilan
Perspektif (X2) dari kotak Linear Regression ke kotak Covariates.
Memindahkan Toleransi (Y) dari dari kotak Linear Regression ke kotak
Dependent Variable. Selanjutnya, klik menu Statistics dan mencentang
opsi Estimates dan Collinearity diagnostics.
Kita lihat bahwa nilai Tolerance untuk variabel Identifikasi Nasional

(X1) = 0.45 dan Pengambilan Perspektif (X2) = 0.45. Sementara itu, nilai
VIF Identifikasi Nasional (X1) = 2.22 dan Pengambilan Perspektif (X2) =
- 122 -
2.22. Karena nilai Tolerance kedua variabel adalah lebih besar dari 0.10
dan nilai VIF kedua variabel adalah kurang dari 10, hubungan antar kedua
variabel independen tersebut dalam menjelaskan variabel dependen tidak
mengandung kolinearitas.
E. Contoh Soal Regresi Linear Ganda Tiga Prediktor

Seorang peneliti tertarik menjelaskan fenomena maraknya
kecanduan gadget di kalangan anak remaja (Y). Mengacu pada teori
dan riset sebelumnya yang revelan, peneliti tersebut menguji peran tiga
prediktor atau variabel independen. Prediktor pertama adalah
kepribadian ekstrovert (X1), prediktor kedua adalah imitasi terhadap
teman sebaya (X2), dan prediktor ketiga adalah persepsi normatif yang
menunjukkan bahwa kecanduan gadget merupakan hal yang jamak
(X3). Andaikan bahwa masing-masing variabel diukur dengan skala.
Skor skala kepribadian ekstrovert merentang dari 1 (sangat kurang
ekstrovert) sampai dengan 10 (sangat ekstrovert). Skor skala imitasi
terhadap teman sebaya merentang dari 1 (sangat tidak imitatif) sampai
dengan 25 (sangat imitatif). Skor skala persepsi normatif merentang dari
10 (sangat tidak normatif) sampai dengan 50 (sangat normatif). Skor
skala kecanduan gadget merentang dari 50 (sangat tidak kecanduan)
sampai dengan 100 (sangat kecanduan).
Hipotesis yang diajukan, pertama, “secara bersama-sama atau
simultan, kepribadian ekstrovert, imitasi, dan persepsi normatif
berperan signifikan terhadap kecanduan gadget (Ha1)”. Hipotesis
kedua menyatakan bahwa “secara parsial atau unik, kepribadian
ekstrovert berperan signifikan sebagai prediktor negatif kecanduan
gadget sehingga semakin tinggi kepribadian ekstrovert maka semakin
rendah kecanduan gadget (Ha2)”. Hipotesis ketiga menyatakan bahwa
“secara parsial atau unik, imitasi berperan signifikan sebagai prediktor
positif kecanduan gadget sehingga semakin tinggi imitasi maka semakin
tinggi kecanduan gadget (Ha3)”. Hipotesis keempat menyatakan bahwa
“secara parsial atau unik, persepsi normatif berperan signifikan sebagai
prediktor positif kecanduan gadget sehingga semakin tinggi persepsi
normatif maka semakin tinggi kecanduan gadget (Ha4)”. Masing-masing
hipotesis penelitian diuji pada taraf signifikansi 0.05 (α = 0.05). Dengan
- 123 -
mengandaikan bahwa masing-masing asumsi regresi ganda terpenuhi,

peneliti merekrut 16 responden. Data hasil penelitian ditampilkan dalam
Tabel 18 sebagai berikut.
Tabel 18. Data Peran Kepribadian Ekstrovert, Imitasi Teman Sebaya, dan
Persespi Normatif terhadap Kecanduan Gadget.
No. X1 X12 X2 X22 X3 X32 Y Y2 X1Y X2Y X3Y
1 5 25 15 225 42 1764 80 6400 400 1200 3360
2 6 36 10 100 35 1225 75 5625 450 750 2625
3 7 49 8 64 10 100 50 2500 350 400 500
4 3 9 21 441 45 2025 88 7744 264 1848 3960
5 8 64 14 196 21 441 50 2500 400 700 1050
6 3 9 22 484 16 256 60 3600 180 1320 960
7 2 4 23 529 36 1296 77 5929 154 1771 2772
8 1 1 24 576 40 1600 79 6241 79 1896 3160
9 7 49 12 144 22 484 66 4356 462 792 1452
10 10 100 5 25 12 144 51 2601 510 255 612
11 1 1 18 324 50 2500 98 9604 98 1764 4900
12 2 4 17 289 10 100 90 8100 180 1530 900
13 9 81 12 144 25 625 74 5476 666 888 1850
14 10 100 6 36 17 289 65 4225 650 390 1105
15 4 16 11 121 37 1369 84 7056 336 924 3108
16 5 25 7 49 42 1764 80 6400 400 560 3360

ΣX2
ΣX1
= ΣX3 = ΣX32 ΣY = ΣX3
= 83; ΣX22 ΣX1Y ΣX2Y
N= ΣX12 225; 460; = 1167; ΣY2 = Y=
MX1 = = = =
16 = 573 MX2 = MX3 = 1598 MY = 88357 3567
5.187 3747 5579 16988
14.06 28.75 2 72.9375 4
5
25
Keterangan. X1 = kepribadian ekstrovert, X2 = imitasi teman sebaya, X3 =

persepsi normatif, Y = kecanduan gadget. Sumber: Peneliti.
Langkah pertama, mengacu hasil penghitungan pada Tabel 18 di

atas, untuk menguji hipotesis penelitian adalah menghitung multiple
correlation. Dengan tiga variabel independen atau prediktor, rumus
multiple correlation adalah sebagai berikut (Cohen dkk., 2014):
(20)
- 124 -
. = β ( )+β ( )+ β ( )

. = Koefisien multiple correlation dengan tiga prediktor.
β , β , β = Koefisien regresi terstandarisasi variabel independen
pertama (X1), kedua (X2), dan ketiga (X3).
= Korelasi antara variabel independen pertama (X1) dan
variabel dependen (Y).
= Korelasi antara variabel independen kedua (X2) dan variabel
dependen (Y).
= Korelasi antara variabel independen ketiga (X3) dan variabel
dependen (Y).
Mengacu pada rumus (20), nilai tiga korelasi harus dihitung. Hasil
penghitungan pada Tabel 18 di atas menjadi landasan. Pertama adalah
korelasi antara variabel independen pertama (X1; kepribadian
ekstrovert) dan variabel dependen (Y; kecanduan gadget) dengan cara
sebagai berikut (Lihat rumus Pearson product moment):
(∑ 1)(∑ )
∑X1Y −
=
(∑ 1) (∑ )
∑ 1 − ∑ −
(83)(1167)
5579 −
= 16
(83) (1167)
573 − 88357 −
16 16
. .
= ]
= .
= −0.6991
[ . ][ .
Kedua adalah korelasi antara variabel independen kedua (X2;

imitasi terhadap teman sebaya) dan variabel dependen (Y; kecanduan
gadget) dengan cara sebagai berikut:
- 125 -
(∑ 2)(∑ )
∑X2Y −
=
(∑ 2) (∑ )
∑ 2 − ∑ −
(225)(1167)
16988 −
= 16
(225) (1167)
3747 − 88357 −
16 16
. .
= ]
= = 0.42
[ . ][ . .
Ketiga adalah korelasi antara variabel independen ketiga (X3;

persepsi normatif) dan variabel dependen (Y; kecanduan gadget)
dengan cara sebagai berikut:
(∑ 3)(∑ )
∑X3Y −
=
(∑ 3) (∑ )
∑ 3 − ∑ −
(460)(1167)
35674 −
= 16
(460) (1167)
15982 − 88357 −
16 16
. .
= ]
= .
= 0.71
[ ][ .
Setelah penghitungan nilai tiga korelasi di atas, langkah

berikutnya adalah menentukan nilai koefisien regresi terstandarisasi
masing-masing dari tiga prediktor, dengan rumus:
(21)
β =
Mengacu pada rumus (21) di atas, nilai koefisien regresi tidak

terstandarisasi dari tiga prediktor atau variabel independen ( ) harus
dihitung. Dalam buku ini, karena kompleksitas penghitungan
manualnya yang menggunakan matriks diagram Venn (Cohen dkk.,
- 126 -
2014), nilai koefisien regresi tidak terstandarisasi dari tiga prediktor atau
variabel independen tersebut dihitung menggunakan JASP. Mengacu
pada Langkah 7 Pengerjaaan contoh soal regresi ganda tiga prediktor,
nilai B1 = −3.46570, B2 = −0.77398, dan B3 = 0.47844.
Langkah berikutnya adalah, mengacu pada Tabel 18 di atas,
menghitung nilai deviasi standar masing-masing variabel penelitian,
yaitu kecanduan gadget ( ), kepribadian ekstorvert ( ), imitasi
teman sebaya ( ), dan persepsi normatif ( ). Prosedur
matematis dan hasil penghitungannya adalah sebagai berikut:
(∑ ) (1167)
∑ − 88357 −
= = 16
−1 15
= √215.9292 = 14.6945
(∑ 1) (83)
∑ 1 − 573 −
= = 16
−1 15
= √9.495833 = 3.08153
(∑ 2) (225)
∑ 2 − 3747 −
= = 16
−1 15
= √38.8625 = 6.23398
(∑ 3) (460)
∑ 3 − 15982 −
= = 16
−1 15
= √183.8 = 13.55729
Dengan demikian, nilai koefisien regresi terstandarisasi untuk
masing-masing prediktor adalah sebagai berikut:
3.08153
β = = −3.46570 = −0.72678
14.6945
- 127 -
6.23398
β = = −0.77398 = −0.32835
14.6945
13.55729
β = = 0.47844 = 0.44141
14.6945
Mengacu pada hasil-hasil penghitungan di atas, nilai koefisien

mutiple correlation adalah sebagai berikut:
. = β ( )+β ( )+ β ( )
. = −0.72678(−0.6991) + −0.32835(0.42) + 0.44141(0.71)
. = √0.508091 + −0.137907 + 0.3134011
. = √0.683585 = 0.8268
Setelah nilai koefisien multiple correlation diperoleh, mengacu

pada Tabel 18, langkah berikutnya adalah menghitung nilai jumlah
kuadrat total ( total ), jumlah kuadrat residu ( ), dan jumlah
kuadrat regresi ( ).
(∑ )
total = −
(1167)
total = 88357 − = 3238.9375
16
= = (3238.9375)(0.683598) = 2214.1312
= total − = 3238.9375 − 2214.1312 = 1024.8063
Tabel 19 berikut menyajikan prosedur matematis untuk menguji

signifikansi keseluruhan model regresi ganda tiga prediktor.
- 128 -

Kuadrat, dan Mean Kuadrat untuk Menentukan Linieritas Model Regresi
Ganda dengan Tiga Prediktor.
Sumbe Derajat Mean

Jumlah Ftabel &
r bebas Kuadrat Fhitung
Kuadrat (SS) Sig.
Variasi (db) (SM)
Ftabel =
6.11 (db
regresi =
= 3, db
SSregresi MSregresi
= = residu =
dbregresi MSresidu
12, α =
Regresi k=3
= 2214.1312 0.05;
2214.1312 738.04373
3 Fhitung >
85.40053
= 738.04373 = 8.64215 Ftabel =
Ha
diterima
.
=
SSresidu
N =
dbresidu
− =
Residu
16 − 4 = 1024.8063 1024.8063
= 12 12
= 85.40053
N
−1 = total
Total
16 − 1 = 3238.9375
= 15
Sumber: Penulis.
Mengacu pada hasil penghitungan dalam Tabel 19 di atas,

dengan derajat bebas (db) regresi (antar-kelompok) = 3, db residu
(dalam-kelompok) = 12, dan level signifikansi (α) = 0.05, nilai F tabel
(Lihat Tabel A.3 di Lampiran) adalah 3.49. Karena nilai F hitung (=
8.64215) lebih besar dari nilai F tabel (= 3.49), model regresi ganda
dinyatakan linier.
- 129 -
Langkah ketiga adalah menentukan persamaan regresi. Untuk

persamaan regresi ganda tiga prediktor dengan parameter yang tidak
terstandarisasi, persamaan yang digunakan adalah sebagai berikut.
= X1 + X2 + X3 +
Dalam persamaan regresi ganda tiga prediktor di atas, nilai
konstanta ( ) dihitung sebagai berikut:
= − ( )( ) − ( )( ) − ( )( )
= 72.9375 − (−3.46570)(5.1875) − (−0.77398)(14.0625)
− (0.47844)(28.75)
= 72.9375 + 17.97832 + 10.8841 −13.75515 = 88.0448
Setelah mengetahui nilai konstanta di atas, serta nilai koefisien

regresi tidak terstandarisasi masing-masing variabel independen yang
dihitung menggunakan JASP sebagaimana dijelaskan di atas, persa-
maan regresi ganda tidak terstandarisasi dengan tiga prediktor adalah:
= −3.46570X1 − 0.77398X2 + 0.47844X3 + 88.0448
Penafsiran persamaan di atas adalah, pertama, dengan

mengendalikan imitasi teman sebaya (X2) dan persepsi normatif
(X3), setiap kenaikan kepribadian ekstrovert (X1) dalam satu unit
pengukuran berdampak pada kenaikan skor kecanduan gadget (Y)
sebesar 84.58 (= -3.46570+ 88.0448). Kedua, dengan mengendalikan
kepribadian ekstrovert (X1) dan persepsi normatif (X3), setiap
kenaikan imitasi teman sebaya (X2) dalam satu unit pengukuran
berdampak pada kenaikan skor kecanduan gadget (Y) sebesar
87.27 (= −0.77398 + 88.0448) . Ketiga, dengan mengendalikan
kepribadian ekstrovert (X1) dan imitasi teman sebaya (X2), setiap
kenaikan persepsi normatif (X3) dalam satu unit pengukuran
berdampak pada kenaikan skor kecanduan gadget (Y) sebesar 88.52
(= 0.47844+88.0448). Keempat, dengan mengamsusikan bahwa
kepribadian ekstrovert (X1), imitasi teman sebaya, dan persepsi
- 130 -
normatif (X3) bernilai nol, nilai kecanduan gadget (Y) adalah sebesar
nilai konstanta, yaitu 88.05.
Persamaan regresi ganda dua prediktor dengan parameter yang
terstandarisasi adalah sebagai berikut.
= β X +β X +β X
= −0.72678X − 0.32835X + 0.44141X
Langkah berikutnya adalah menguji signifikansi koefisien regresi

masing-masing prediktor dengan rumus sebagai berikut (Cohen dkk.,
2014):
− −1
= (22)
1− .

= Nilai t hitung variabel independen yang dicari.
= Koefisien korelasi semi parsial variabel independen yang
dicari.
= Jumlah variabel independen.
. = Kuadrat multiple correlation.
Nilai koefisien semi parsial masing-masing prediktor bisa dicek

pada hasil pengerjaan contoh soal regresi ganda dengan tiga prediktor
menggunakan JASP. Mengacu pada hasil penghitungan JASP ini,
nilai korelasi semi parsial variabel independen pertama (X1) =
−0.38751, nilai korelasi semi parsial variabel independen kedua (X2)
= −0.19286, dan nilai korelasi semi parsial variabel independen ketiga
(X3) = 0.36944. Mengacu pada rumus (22) di atas, nilai t hitung
koefisien regresi variabel independen atau prediktor pertama (X1)
adalah:
- 131 -
− −1 16 − 3 − 1
= = −0.38751
1− . 1 − 0.683598
= −0.38751(6.15844) = −2.387 |2.387|
Nilai t hitung koefisien regresi variabel independen atau

prediktor kedua (X2):
− −1 16 − 3 − 1
= = −0.19286
1− . 1 − 0.683598
12
= −0.19286 = −0.19286(6.15844) = −1.188 |1.188|
0.316402
Nilai t hitung koefisien regresi variabel independen atau

prediktor ketiga (X3):
− −1 16 − 3 − 1
= = 0.36944
1− . 1 − 0.683598
= 0.36944(6.15844) = 2.275
Tiga nilai t hitung di atas, untuk menentukan signifikansinya,

dibandingkan dengan nilai t tabel. Atas dasar derajat bebas (db) sama
dengan 15 (= N −1= 16 −1) dan taraf signifikansi 0.05 (uji hipotesis satu
arah atau one-tailed), nilai t tabel adalah 1.753 (Lihat Tabel A.3 di
Lampiran). Dengan demikian, nilai t hitung (= |2.387|) koefisien regresi
kepribadian ekstrovert (X1) lebih besar dari nilai t tabel. Nilai t hitung (=
|1.188|) koefisien regresi imitasi teman sebaya (X2) lebih kecil dari nilai
t tabel. Nilai t hitung (= 2.275) koefisien regresi persepsi normatif (X3)
lebih kecil dari nilai t tabel. Sebagai kesimpulan, koefisien regresi
kepribadian ekstrovert ( = −3.46570) dinyatakan signifikan,
koefisien regresi imitasi teman sebaya ( = −0.77398) dinyatakan
tidak signifikan, dan koefisien regresi persepsi normatif ( =
0.47844) dinyatakan signifikan.
- 132 -
Langkah terakhir adalah menentukan peran unik masing-masing

variabel independen atau prediktor dalam menjelaskan variabel
dependen. Mengacu pada hasil penghitungan JASP (Lihat Langkah
7), nilai korelasi parsial variabel independen pertama (X1) =
−0.56739, nilai korelasi parsial variabel independen kedua (X2) =
−0.32439, dan nilai korelasi parsial variabel independen ketiga (X3) =
0.54904. Dengan demikian, peran unik variabel independen pertama
(X1) dalam menjelaskan variabel dependen (Y) adalah (−0.56739)2 =
0.3219 atau 32.18 persen. Peran unik variabel independen kedua (X2)
dalam menjelaskan variabel dependen (Y) adalah (−0.32439)2 =
0.1052 atau 10.52 persen. Peran unik variabel independen ketiga (X3)
dalam menjelaskan variabel dependen (Y) adalah (0.54904)2 = 0.3015
atau 30.15 persen.
F. Pengerjaan Contoh Soal Regresi Linear Ganda Tiga Prediktor

Menggunakan JASP
soal regresi ganda tiga prediktor menggunakan JASP. Data mentah
contoh regresi ganda tiga prediktor ini bisa diunduh di OSF dengan
link: https://bit.ly/RegresiGandaTigaPrediktor
Langkah 1. Membuat file data input dalam format Excel (xlsx). Input
data dalam bentuk skala interval, baik untuk variabel Kepribadian
Ekstrovert (X1), Imitasi Teman Sebaya (X2), Persepsi Normatif (X3),
maupun Kecanduan Gadget (Y).
- 133 -


mengeklik open.
- 134 -

menetapkan variabel X1, X2, X3, dan variabel Y sebagai variabel
berskala interval (scale).

submenu Linear Regression.
- 135 -
Langkah 6. Memindahkan Kecanduan Gadget (Y) dari Kotak Linear

Regression ke Kotak Dependent Variable. Memindahkan Kepribadian
Ekstrovert (X1), Imitasi Teman Sebaya (X2), dan Persepsi Normatif (X3)
dari Kotak Linear Regression ke Kotak Covariates. Mengklik opsi atau
submenu Statistics dan mencentang opsi Estimates, Model fit,
Desciptives, dan Part and partial correlations.
- 136 -

Laporan hasil contoh soal regresi linear ganda tiga prediktor sesuai
kaidah menurut APA edisi 7
Analisis regresi ganda menunjukkan bahwa, mendukung
hipotesis pertama (Ha1), kepribadian ekstrovert, imitasi teman sebaya,
dan persepsi normatif berperan secara simultan terhadap kecanduan
gadget di kalangan remaja, R2 = .68, F(3, 12) = 8.65, p = .003.
Mendukung mendukung hipotesis kedua (Ha2), peran unik
kepribadian ekstrovert terhadap kecanduan gadget adalah signifikan,
b = −3.47, β = −.73, t = −2.39, p = 0.034, kuadrat korelasi parsial
2
( . . ) = −.567 = .32. Tidak mendukung hipotesis ketiga (Ha3),
- 137 -
peran unik imitasi teman sebaya terhadap kecanduan gadget adalah

tidak signifikan, b = −0.77, β = −.33, t = −1.19, p = .258, kuadrat
2
korelasi parsial ( . . ) = − .324 = .11. Mendukung hipotesis
keempat (Ha4), peran unik persepsi normatif terhadap kecanduan
gadget adalah signifikan, b = 0.48, β = . 44 , t = 2.28, p = 0.042,
2
kuadrat korelasi parsial ( . . ) = −.549 = .30.
Dalam laporan di atas, nilai korelasi parsial masing-masing
prediktor didasarkan pada hasil penghitungan JASP langkah 7.
G. Uji Asumsi Contoh Soal Regresi Linear Ganda Tiga Prediktor

Menggunakan JASP
Uji asumsi pertama dalam regresi linear ganda tiga prediktor
adalah variabel independen pertama (X1), variabel independen kedua
(X2), variabel independen ketiga (X3), dan variabel dependen (Y)
terdistribusi normal. Untuk menguji asumsi ini, langkah pertama
adalah mengeklik menu Descriptives dan memindahkan Kepribadian
Ekstrovert (X1), Imitasi Teman Sebaya (X2), Persepsi Normatif (X3),
dan Kecanduan Gadget (Y) dari kotak Descriptive Statistics ke kotak
Variables. Selanjutnya, mengeklik menu Statistics dan mencentang
opsi Shapiro-Wilk Test.
- 138 -
Nilai p Shapiro-Wilk untuk Kepribadian Ekstrovert (X1) = 0.29,

Imitasi Teman Sebaya (X2) = 0.43, Persepsi Normatif (X3) = 0.16, dan
Kecanduan Gadget (Y) = 0.41 adalah tidak signifikan karena lebih
besar dari 0.05. Kesimpulannya, keempat variabel tersebut
terdistribusi secara normal (Goss-Sampson, 2020).
pertama (X1), variabel independen kedua (X2), dan variabel
independen ketiga (X3) dengan variabel dependen (Y) harus bersifat
linear. Asumsi ini bisa diuji dengan visualisasi scatter plots hubungan
antar variabel. Sebagai lanjutan dari langkah uji normalitas di atas,
langkah berikutnya adalah mengeklik opsi Customizable plot dan
mencentang opsi Scatter plots, Add regression line, dan Linear,
hasilnya adalah screenshot gambar sebagai berikut:
- 139 -
Kita lihat bahwa hubungan antara Imitasi Teman Sebaya (X2) dan
Kecanduan Gadget (Y), serta antara Persepsi Normatif (X2) dan
Kecanduan Gadget (Y) terwakili dengan slope yang tajam, bukannya
mendatar. Slope tajam yang menaik dan bergerak dari kiri ke kanan
menunjuk hubungan linear ke arah positif. Sementara itu, hubungan
antara Kepribadian Ekstrovert (X1) dan Kecanduan Gadget (Y) terwakili
dengan slope yang tajam, bukannya mendatar. Slope tajam yang
menurun dan bergerak dari kanan ke kiri menunjukkan hubungan
linear ke arah negatif (Goss-Sampson, 2020).
Kepribadian Ekstrovert (X1), Imitasi Teman Sebaya (X2), dan Persepsi
Normatif (X3) dari kotak Linear Regression ke kotak Covariates.
Memindahkan Kecanduan Gadget (Y) dari kotak Linear Regression ke
kotak Dependent Variable. Selanjutnya, klik menu Plots dan di bawah
submenu Residuals Plots, mencentang opsi Residuals vs. predicted.
- 140 -
Kita lihat bahwa jarak atau sebaran penyimpangan residu atau error
dari garis horizontal tersebar secara merata atau relatif seragam, tidak
berbentuk seperti corong (funnel). Hal ini mengindikasikan bahwa
Asumsi keempat sekaligus terakhir adalah multikolinearitas
(multicollinearity) atau kolinearitas (colinearity). Langkah untuk
menguji asumsi ini adalah mengeklik menu Regression, Linear
Regression (Classical). Memindahkan Kepribadian Ekstrovert (X1),
Imitasi Teman Sebaya (X2), dan Persepsi Normatif (X3) dari kotak
Linear Regression ke kotak Covariates. Memindahkan Kecanduan
Gadget (Y) dari kotak Linear Regression ke kotak Dependent
Variable. Selanjutnya, klik menu Statistics dan mencentang opsi
Estimates dan Collinearity diagnostics.
- 141 -
Kita lihat bahwa nilai Tolerance untuk variabel Kepribadian

Ekstrovert (X1) = 0.28, Imitasi Teman Sebaya (X2) = 0.35, dan Persepsi
Normatif (X3) = 0.70. Sementara itu, nilai VIF Kepribadian Ekstrovert
(X1) = 3.52, Imitasi Teman Sebaya (X2) = 2.90, dan Persepsi Normatif
(X3) = 1.43. Karena nilai Tolerance ketiga variabel adalah lebih besar dari
0.10 dan nilai VIF ketiga variabel adalah kurang dari 10, hubungan antar
ketiga variabel independen tersebut dalam menjelaskan variabel
dependen tidak mengandung kolinearitas.
- 142 -
BAB 9
Pengantar Statistika
Parametrik Uji Perbedaan
Ada berbagai macam jenis uji perbedaan dalam statistika

parametrik. Ragam jenis uji perbedaan ini pada dasarnya bisa
disederhanakan atas dasar empat indikator (Diekhoff, 1996). Indikator
pertama adalah jumlah variabel dependen (Y) yang dibandingan atau
dibuktikan perbedaannya. Uji perbedaan yang ditujukan untuk
membuktikan perbedaan pada satu variabel dependen disebut sebagai
tes univariat (univariate tests), sementara yang ditujukan untuk
membuktikan perbedaan pada lebih dari satu variabel dependen disebut
sebagai tes multivariat (multivariate tests). Teknik statistika yang
digunakan untuk menganalisis tes univariat sangat beragam. Teknik
statistika yang relevan untuk menganalisis tes multivariat dikenal
dengan istilah multivariate analysis of variance (MANOVA).
Materi buku ini hanya mencakup tes univariat yang menguji
perbedaan terhadap satu variabel dependen. Jenis-jenis tes univariat
dalam uji perbedaan selanjutnya bisa diklasifikasikan berdasarkan
indikator kedua, yaitu jumlah variabel independen dan jumlah
kelompok atau level di dalam variabel independen yang diikutsertakan
sebagai dasar untuk menganalisis perbedaan satu variabel dependen
tersebut. Tes univariat untuk menguji signifikansi perbedaan sebuah
- 143 -
variabel dependen atas dasar satu variabel independen yang terdiri dari
hanya satu kategori, kelompok, atau level perlakuan disebut sebagai one-
sample test-test. Dengan uji perbedaan ini, sebagai contoh, kita ingin
membandingkan apakah IQ (variabel dependen) siswa kelas 13 di
sebuah SMP (katakanlah SMP XYZ) sama dengan IQ keseluruhan siswa
di SMP tersebut (siswa kelas 13 sampai 15). Di sini, variabel
independennya adalah SMP (khususnya SMP XYZ) yang terdiri dari
satu kelompok, yaitu kelas 13.
Tes univariat untuk menguji signifikansi perbedaan sebuah
variabel dependen atas dasar sebuah variabel independen yang terdiri
dari dua kategori, kelompok, atau level perlakuan disebut denga istilah
independent samples t-test, yang juga populer disebut sebagai two-sample
t-test atau between-subjects t-test. Sebagi contoh, kita bisa
membandingkan apakah laki-laki dibandingkan dengan perempuan
lebih agresif dalam berkendaraan. Dalam hal ini, variabel independennya
adalah jenis kelamin yang terdiri dari dua kelompok atau kategori, yaitu
laki-laki dan perempuan, sedangkan variabel dependennya adalah
agresivitas dalam berkendaraan. Contoh lain: “apakah kriminalitas di kota
A lebih tinggi dibandingkan dengan kriminalitas di kota B?” Variabel
independen dalam rumusan masalah ini adalah kota, yang terdiri dari dua
kategori atau kelompok, yaitu kota A dan kota B, sedangkan variabel
dependennya adalah kriminalitas.
Tes univariat yang didesain untuk membuktikan perbedaan sebuah
variabel dependen atas dasar satu variabel independen yang memiliki
lebih dari dua kategori, kelompok, atau level perlakuan dianalis
menggunakan analysis of variance (ANOVA), yang lebih tepatnya
adalah ANOVA satu-jalur (one-way ANOVA). Contohnya adalah
sebuah rumusan masalah yang menanyakan “apakah tingkat
kriminalitas di kota A lebih tinggi dibandingkan kota B dan kota C?”
Dalam contoh ini, variabel independennya adalah kota, yang terdiri
dari tiga kategori atau kelompok, yaitu kota A, B, dan C, sedangkan
variabel dependennya adalah tingkat kriminalitas. Tes univariat
untuk menguji signifikansi perbedaan satu variabel dependen atas
dasar lebih dari satu variabel independen disebut sebagai ANOVA
- 144 -
dua-jalur (two-way ANOVA). Dalam ANOVA dua-jalur (two-way

ANOVA), masing-masing dari dua atau lebih variabel independen
bisa memiliki dua atau lebih dari dua kategori, kelompok, atau level
perlakuan.
Contoh kasus yang cocok untuk dianalisis menggunakan
ANOVA dua-jalur misalnya adalah sebuah rumusan masalah yang
menanyakan “apakah tingkat kecelakaan lalu-lintas lebih tinggi pada
laki-laki dibandingkan pada perempuan serta lebih tinggi pada
pengendara roda-dua dibandingkan dengan pada pengendara roda-
empat?” Dalam contoh ini, variabel independennya ada dua, yaitu
jenis kelamin yang terdiri dari dua kelompok (laki-laki dan
perempuan) dan jenis pengendara yang terdiri dari dua kelompok
(pengendara roda-dua dan pengendara roda-empat). Variabel
dependennya adalah tingkat kecelakaan lalu-lintas. ANOVA dua-
jalur bisa dikembangkan lebih lanjut ke dalam analisis ANOVA faktorial
(factorial ANOVA), yang bertujuan untuk menguji interaksi antar
variabel independen dalam memengaruhi variabel dependen. ANOVA
faktorial selain bisa untuk menguji signifikansi perbedaan sebuah
variabel dependen atas dasar kelompok dalam masing-masing variabel
independen, juga bisa untuk menguji signifikansi perbedaan sebuah
variabel dependen atas dasar interaksi antar variabel-variabel
independen. Sebagai contoh dalam rumusan permasalahan tentang
kecelakaan lalu-lintas di atas, rumusan masalah dalam kerangka
ANOVA faktorial bisa dinyatakan dalam pertanyaan “apakah tingkat
tertingi kecelakaan lalu-lintas adalah pada pengendara roda-dua berjenis
kelamin laki-laki?”
Indikator ketiga untuk mengklasifikasikan jenis-jenis uji-
perbedaan, khususnya uji perbedaan dalam studi eksperimen adalah sifat
pemberian variasi perlakuan atau treatment dari variabel independen.
Jika variasi perlakuan variabel independen diberikan kepada kelompok
subjek yang berbeda, uji perbedaan yang digunakan termasuk dalam
kategori “antar-subjek” (between-subjects). Jika variasi perlakuan
variabel independen diberikan kepada kelompok subjek yang sama, uji
- 145 -
perbedaan yang digunakan termasuk dalam kategori “dalam-subjek”

(within-subjects) atau repeated measures.
Dalam ANOVA dua-jalur maupun ANOVA faktorial, gabungan
antara uji perbedaan “antar-subjek” dan “dalam-subjek” disebut dengan
istilah “desain-campuran” (mixed-design). Dalam “desain-campuran”
ini, salah satu variasi variabel independen diberikan secara “antar-
subjek” kepada kelompok subjek yang berbeda sementara variasi
variabel independen lainnya diberikan secara “dalam-subjek” kepada
kelompok subjek yang sama. Pemetaan lebih lengkap dari klasifikasi
jenis-jenis uji perbedaan dalam statistika parametrik univariat
ditampilkan dalam Tabel 20 di bawah ini.
Tabel 20. Jenis-Jenis dan Karakteristik Uji Perbedaan Univariat.
Variabel dependen Variabel independen

Kelompok
Jenis uji Kategori/ subjek
Juml
beda Skala Jumlah Kelompok/ Skala penelitian
ah
univariat Level
1 N, O I, R 1 2 2 >2 N, O I, R Beda Sama
One-
sample t- √ — √ — — — — — — — √
test
Indepen-
dent √ — √ √ — √ — √ — √ —
samples test
Paired
samples √ — √ √ — √ — √ — — √
t-test
One-way
between-
√ — √ √ — √ √ √ — √ —
subjects
ANOVA
One-way
within- √
√ — √ √ — √ √ √ — —
subjects
ANOVA
Factorial
ANOVA
(two-way √ — √ √ √ √ √ √ — √ —
between-
subjects)
- 146 -
Factorial
ANOVA
(two-way √ — √ √ √ √ √ √ — — √
within-
subjects)
Mixed
√ — √ √ — √ √ √ — √ √
ANOVA
Keterangan. N = skala nominal, O = skala ordinal, I = skala interval, R = skala rasio.

Sumber: Penulis.
- 147 -
BAB 10
Uji Perbedaan
One-Sample T-Test
A. Pengantar One-Sample T-Test

Uji perbedaan one-sample t-test menguji apakah rata-rata atau
mean sampel suatu variabel dependen berbeda dengan rata-rata
populasinya. Variabel dependen dalam one-sample t-test harus diukur
dalam skala interval atau rasio dan terdistribusi secara normal
(Howell, 2017; Ploeger-Lyons, 2017; Lihat juga Tabel 20). Rumus one
sample t-test adalah sebagai berikut (Privitera, 2015):
−
= (23)
√
t = Nilai t test yang dihitung.
M = Rata-rata sampel.
μ = Rata-rata populasi.
SD = Deviasi standar sampel.
N = Jumlah subjek penelitian dalam sampel.
- 148 -
Dalam formula di atas, SD adalah deviasi standar sampel yang

dihitung menggunakan rumus sebagai berikut:
(∑ ) (24)
∑ −
=
−1

n = Jumlah subjek dalam sampel.
∑ = Jumlah total skor variabel dependen.
∑ = Kuadrat Jumlah total skor variabel dependen.
n = Jumlah subjek penelitian dalam sampel.
Signifikansi nilai t hitung ditentukan dengan membandingkannya

dengan nilai t tabel (Lihat Tabel A.2 di Lampiran). Pengujian signifikansi
ini mengacu pada derajat bebas (db) dengan rumus n −1, di mana n
adalah jumlah responden atau subjek penelitian dalam sampel. Nilai t
hitung dinyatakan signifikan jika lebih besar dari nilai t tabel dengan
derajat bebas (db) yang ditentukan. Nilai t hitung dinyatakan tidak
signifikan jika lebih kecil dari nilai t tabel.
Effect size dalam one-sample t-test bisa mengacu pada rumus di
bawah ini (Privitera, 2015; Lihat Tabel 21 untuk mengetahui
kategorisasi effect size d).
−μ (25)
=

= Effect size one-sample t-test.
M = Rata-rata sampel.
μ = Rata-rata populasi.
- 149 -
Tabel 21. Kategorisasi Level Effect Size (d).
Nilai d Kategori effect size

0.00-0.20 Sangat kecil
0.21-0.79 Sedang
≥ .80 Sangat besar
B. Contoh Soal One-Sample T-Test

Berdasarkan hasil sebuah tes inteligensi, rata-rata IQ 100 siswa kelas
13 SMP XYZ adalah sebesar 80. Sebuah penelitian merandom 10 siswa
yang menunjukkan prestasi di atas rata-rata di kelas 13 dari SMP XYX
tersebut. Skor IQ 10 siswa tersebut berturut-turut adalah 85, 98, 101, 150,
90, 115, 95, 120, 88, 107. Hipotesis kerja (Ha) yang diajukan dalam
penelitian bersifat satu arah (one-tailed), yang menyatakan bahwa “IQ
dari 10 siswa tersebut lebih tinggi dibandingkan dengan mean atau rata-
rata IQ seluruh siswa kelas 13 SMP XYZ”. Andaikan bahwa skor IQ 10
siswa tersebut terdistribusi secara normal. Hipotesis penelitian tersebut
diuji pada level signifikansi 0.05 (α = 0.05).
Langkah pertama untuk menguji hipotesis penelitian adalah
mentranformasi data ke dalam Tabel 22 sebagai berikut:
Tabel 22. Distribusi IQ 10 Siswa Kelas 13 SMP XYZ.
No. Subjek IQ (Y) Y2

1.1. 85 7225
2.1. 98 9604
3.1. 101 10201
4.1. 150 22500
5.1. 90 8100
6.1. 115 13225
7.1. 95 9025
8.1. 120 14400
9.1. 88 7744
10.1. 107 11449
ƩY = 1049
N = 10 ƩY2 = 113473
M = 104.9
- 150 -
Mengacu pada data dalam Tabel 22 di atas, langkah berikutnya

adalah menghitung nilai deviasi standar sampel penelitian:
(∑ ) (1049)
∑ − 113473 −
= = 10
−1 10 − 1
3432.9
= = √381.4333333333333 = 19.530
9
Nilai one-sample t-test dengan demikian bisa ditentukan sebagai

berikut:
− 104.9 − 80
= =
19.53
√ √10
24.9 24.9
= = = 4.032
19.53 6.17592
3.16228
Untuk menguji signifikansi nilai t hitung sebesar 4.032 di atas,

kita harus berpatokan pada nilai derajat bebas (db), dengan rumus db =
n – 1. Jumlah subjek (n) adalah 10, sehingga nilai db adalah 10 – 1 = 9.
Nilai t tabel atau teoretis satu arah (one-tailed) pada signifikansi 0.05
dengan db = 9 adalah 1.833 (Lihat Tabel A.2 di Lampiran). Karena nilai
t hitung (= 4.0320) lebih besar dibandingkan dengan nilai t tabel (=
1.833), hipotesis penelitian diterima.
Untuk menentukan nilai p dari t hitung di atas, secara praktis kita
bisa menggunakan kalkulator online dari sumber yang kredibel
(Soper, 2022). Sumber ini bisa dicek di https://www.danielsoper.
com/statcalc/calculator.aspx?id=8. Dengan memasukkan derajat
bebas (db) atau degree of freedom = 9 (= N – 1) dan t = 4.032, hasil
menunjukkan bahwa nilai p dari t hitung tersebut adalah 0.0014
untuk one-tailed test sesuai dengan hipotesis penelitian. Dengan
demikian, dapat disimpulkan bahwa nilai t hitung sebesar 4.032
- 151 -
dengan p = 0.0014 adalah adalah signifikan. Hasil yang sama juga bisa
dicek menggunakan kalkulator online di https://www. socscistatistics.
com/pvalues/tdistribution.aspx (“P Value from T Score Calculator”,
2022). Menggunakan kalkulator online ini, dengan memasukkan T-
Score = 4.032, DF = 9, Significance Level = .05, dan One-Tailed
Hypotesis, hasil nilai p adalah .001482.
Langkah terakhir adalah menghitung effect size dengan rumus
sebagai berikut (Lihat rumus 25):
−μ 104.9 − 80
= = = 1.28
19.53
Mengacu pada Tabel 21, nilai d = 1.28 termasuk dalam kategori

effect size sangat besar (d > .0.80).
C. Pengerjaan Contoh Soal One-Sample T-Test Menggunakan

JASP
soal one-sample t-test menggunakan JASP. Data mentah contoh soal
one-sample t-test ini bisa diunduh dalam format CSV di OSF dengan
link: https://bit.ly/OneSampleT-Test
Input data dalam bentuk skala interval untuk variabel IQ.
- 152 -


mengeklik open.

menetapkan variabel IQ sebagai variabel berskala interval (scale).
- 153 -
Langkah 5. Memilih menu T-Tests dan selanjutnya memilih

submenu One-Sample T-Test (Classical).
Langkah 6. Memindahkan variabel IQ dari Kotak One-Sample T-

Test ke Kotak Variables. Di bawah menu Test, mencentang opsi
Student dan mengisi Test value dengan angka 80. Di bawah menu
Additional Statistics, mencentang opsi Effect size dan Descriptives. Di
bawah menu Alt. Hypothesis, mencentang opsi > Test value.
- 154 -

Laporan contoh soal one-sample t-test sesuai kaidah APA edisi 7

Analisis one-sample t-test menunjukkan bahwa IQ 10 siswa Kelas
13 di SMP XYZ (M = 104.9, SD = 19.530) lebih tinggi secara signifikan
dibandingkan dengan IQ seluruh siswa Kelas 13 di sekolah tersebut
- 155 -
(M = 80), t(9) = 4.032, p = 0.0014 , dengan effect size sangat besar, d =

1.28.
D. Uji Asumsi Contoh Soal one-sample t-test Menggunakan JASP

Uji asumsi dalam one-sample t-test adalah variabel dependen
harus terdistribusi secara normal (Goss-Sampson, 2020). Untuk
menguji asumsi ini, langkahnya adalah mengeklik menu Descriptives
dan memindahkan IQ dari kotak Descriptive Statistics ke kotak
Variables. Mengklik menu Statistics dan mencentang opsi Shapiro-
Wilk Test.
Nilai p Shapiro-Wilk untuk variabel IQ = 0.11 adalah tidak

signifikan karena lebih besar dari 0.05. Kesimpulannya, variabel IQ
- 156 -
BAB 11
Uji Perbedaan Independent
Samples T-Test
A. Pengantar Uji Perbedaan Independent Samples T-Test

Independent samples t-test, yang disebut juga sebagai between-
subjects t-test, adalah uji perbedaan univariat untuk menguji perbedaan
sebuah variabel dependen (X) atas dasar satu variabel independen (Y).
Dalam independent samples t-test, terdapat dua kelompok, level perla-
kuan, atau kategori dalam variabel independen. Dalam statistika para-
metrik ini, variabel dependen yang diuji berskala interval atau rasio,
sementara variabel independen berskala nominal (Lihat Tabel 20).
Dua kelompok, level, atau kategori variabel independen dalam
independent samples t-test bersifat “antar-kelompok” (between-subjects).
Hal ini bersumber pada variasi kelompok, level perlakuan, atau kategori
variabel independen yang diberikan kepada atau diisi oleh kelompok
subjek yang berbeda. Variasi dalam variabel independen bisa berupa
level perlakuan eksperimen (misal: perlakuan A versus perlakuan B),
atau bisa berupa kelompok atau kategori yang secara alamiah berbeda
(misal: pria versus wanita) atau yang ada di luar kendali peneliti (misal:
sekolah akselerasi versus non-akselerasi, dan lain lain)
- 157 -
Independent sample t-test memiliki beberapa asumsi. Beberapa

asumsi tersebut menyatakan bahwa, pertama, skor variabel dependen
dalam dua kelompok sampel yang dibandingkan harus terdistribusi
secara normal. Asumsi lainnya adalah kesetaraan varians (homogeneity
of variance) variabel dependen dalam dua kelompok sampel yang
dibandingkan (Graveter dkk., 2020; King dkk., 2021).
Rumus independent samples t-test untuk dua sampel berukuran
sama (equal sample sizes; King dkk., 2021) adalah sebagai berikut:
( − )
=
+( − 1) + +( − 1) (26)
+ −2

t = Koefisien independent sample t-test yang dihitung.
M1 = Rata-rata sampel/kelompok/perlakuan 1.
SD2x1 = Varians sampel/kelompok/perlakuan 1.
n1 = Jumlah subjek pada sampel/kelompok/perlakuan 1.
n2 = Jumlah subjek pada sampel/kelompok/perlakuan 2.
Dalam rumus independent samples t-test di atas, varians sampel

atau varians kelompok 1 dirumuskan sebagai berikut:
(∑ )
∑ (27)
SD =

2
SD x1 = Varians skor sampel/kelompok 1.
ΣX1 = Jumlah skor sampel/kelompok 1.
n1 = Jumlah subjek pada sampel/kelompok 1.
- 158 -
Sementara itu, rumus varians skor kelompok 2 adalah sebagai

berikut:
(∑ )
∑ −
(28)
SD =
−1

2
SD x2 = Varians skor sampel/kelompok 2.
ΣX2 = Jumlah skor sampel/kelompok 2.
n2 = Jumlah subjek pada sampel/kelompok 2.
Untuk menentukan signifikansinya, nilai t hitung dibandingkan

dengan nilai t tabel atas dasar derajat bebas (db) dengan rumus n1 + n2 –
2. Nilai t hitung dinyatakan signifikan jika lebih besar dari nilai t tabel.
Sebaliknya, nilai t hitung dinyatakan tidak signifikan jika lebih kecil dari
nilai t tabel (Graveter dkk., 2020; King dkk., 2021).
Cohen’s d merupakan effect size yang diformulasikan untuk
mengukur kekuatan hubungan yang terstandarisasi pada uji independent
samples t-test. Rumus untuk menghitung Cohen’s d untuk indepedent
samples t-test adalah sebagai berikut (King dkk., 2021):
−
=
+ (29)
2
= Effect size independent samples t-test.
- 159 -
Sementara itu, persentase peran atau pengaruh variabel independen

terhadap variabel dependen dihitung dengan rumus 30 di bawah ini.
Tabel 23 menampilkan kategorisasi persentase peran atau pengaruh
dalam independent samples t-test (Gravetter dkk., 2020):
= (30)
+
Tabel 23. Kategorisasi Persentase Pengaruh dalam Uji Perbedaan
Independent Samples t-Test.
Nilai r2 Kategori pengaruh

2
r = .01 Sangat kecil
2
r = .09 Sedang
2
r = .25 Sangat besar
B. Contoh Pertama Independent Samples T-Test

Sebuah eksperimen dilakukan untuk menguji pengaruh metode
pengajaran (partisipatif versus nonpartisipatif) terhadap prestasi
akademik mahasiswa pada mata kuliah pengantar statistika. Jumlah total
partisipan adalah 20 mahasiswa. Setelah dilakukan random assignment,
setengah dari partisipan diberi perlakuan metode pengajaran partisipatif
(kelompok 1) sementara setengah yang lainnya diberi perlakuan metode
pengajaran nonpartisipatif (kelompok 2). Dalam metode pengajaran
partisipatif, dosen menuntut mahasiswa untuk lebih pro-aktif dengan
melakukan presentasi tugas, berdialog secara interaktif selama proses
belajar mengajar, dan mengerjakan tugas-tugas untuk mempraktikkan
soal-soal.
Dalam metode pengajaran nonpartisipatif, dosen sebatas
memberikan ceramah kepada mahasiswa tanpa mengharuskan
keterlibatan dan partisipasi aktif mereka. Hipotesis alternatif/kerja (Ha)
yang diajukan bersifat satu arah (one-tailed), yaitu “Mahasiswa yang
diberikan metode pengajaran partisipatif akan memiliki nilai mata
kuliah pengantar statistika yang lebih tinggi dibandingkan mahasiswa
yang diberi metode pengajaran nonpartispatif”. Andaikan bahwa
asumsi-asumsi independent samples t-test terpenuhi. Hipotesis
penelitian tersebut diuji pada taraf signifikansi 0.01. Di akhir
- 160 -
perkuliahan, nilai mahasiswa pada mata kuliah pengantar statistik (yang

diukur dalam skala 0 – 10) selanjutnya didata, dengan rincian hasil yang
tersaji dalam Tabel 24 sebagai berikut:
Tabel 24. Data Hasil Nilai Mata Kuliah Pengantar Statistika pada
Mahasiswa yang Diberikan Pengajaran Partisipatif dan Nonpartisipatif.
Pengjaran
No. Pengajaran partisipatif No. nonpartisipatif
Subjek Subjek
X1 X12 X2 X22
1. 9 81 11. 6 36
2. 9 81 12. 6 36
3. 9 81 13. 6 36
4. 8 64 14. 5 25
5. 7 49 15. 5 25
6. 7 49 16. 4 16
7. 7 49 17. 4 16
8. 9 81 18. 5 25
9. 9 81 19. 3 9
10. 8 64 20. 4 16
n1=10 ΣX1= 82 ΣX12 = 680 n2=10 ΣX2= 48 ΣX22 = 240
M1= 8.2 M2= 4.8
Sumber: Penulis.
Berdasarkan data dalam Tabel 24 di atas, langkah pertama yang

perlu dilakukan untuk menguji hipotesis penelitian adalah
menghitung varians dari masing-masing kelompok. Varians untuk
kelompok 1 dan kelompok 2 dihitung dengan cara sebagai berikut:
- 161 -
(∑ ) (82)
∑( − ) ∑ − 680 −
= = = 10 = 0.844
−1 −1 9
(∑ ) (48)
∑( − ) ∑ − 240 −
= = = 10 = 1.067
−1 −1 9
Berdasarkan nilai varians masing-masing kelompok di atas, maka

nilai independent samples t-test bisa ditetapkan sebagai berikut:
−
=
SD ( − 1) + SD ( − 1) 1 1
+
+ −2
8.2 − 4.8
=
0.8444 (10 − 1) + 1.0667(10 − 1) 1 1
+
10 + 10 − 2 10 10
3.4 3.4
= = = 7.777
√0.1911 0.4372
Karena jumlah sampel kelompok pertama adalah 10 (n1 = 10) dan

sampel kelompok kedua adalah 10 (n2 = 10), derajat bebas (db) adalah 10
+ 10 – 2 = 18. Dengan db = 18, nilai t tabel pada signifikansi satu arah
(one-tailed) pada taraf signifikansi 0.01 adalah 2.552 (Lihat Tabel A.2 di
Lampiran). Karena nilai t hitung (= 7.777) lebih besar dari nilai t tabel
maka nilai t hitung dinyatakan signifikan. Sebagai kesimpulan, hipotesa
penelitian bisa diterima. Nilai statistika mahasiswa yang diberikan
metode pengajaran partisipatif secara signifikan lebih tinggi
dibandingkan nilai statistika mahasiswa yang diberikan metode
pengajaran nonpartisipatif.
Menggunakan kalkulator online (https://www.danielsoper. com/
statcalc/calculator.aspx?id=8; Soper, 2022), dengan memasukkan
derajat bebas (db) = 18 (n1 + n2 – 2) dan t hitung = 7.777, hasil
- 162 -
menunjukkan bahwa nilai p dari t hitung tersebut adalah 0.0000002

untuk one-tailed test. Kesimpulannya, nilai t hitung sebesar 7.777
adalah signifikan (p < .001). Sementara itu, effect size termasuk
kategori sangat besar (> 0.80), yang dihitung menggunakan prosedur
matematis sebagai berikut:
− 8.2 − 4.8 3.4

= = = = 3.48
+ 0.8444 + 1.0667 0.9776
2 2
Selanjutnya, kita bisa menetapkan bahwa varians nilai mata

kuliah pengantar statistika sebagai variabel dependen yang dijelaskan
oleh metode pengajaran (partisipatif vs nonpartisipatif) sebagai
variabel independen adalah sebesar:
7.777
= =
+ 7.777 + 18
60.4817 7.777
= = = 0.77
60.4817 + 18 7.777 + 18
Mengacu pada hasil penghitungan di atas, persentase peran atau

pengaruh metode pengajaran terhadap nilai pengantar statistika
adalah 77%. Mengacu pada Tabel 23, persentase ini termasuk ke
dalam kategori ‘sangat besar’ (> .25).
C. Pengerjaan Contoh Soal Pertama Independent Samples T-Test

Menggunakan JASP
soal pertama independent samples t-test menggunakan JASP. Data
mentah contoh soal pertama independent samples t-test ini bisa
diunduh dalam format CSV di OSF dengan link: https://bit.ly/
Independent SamplesT-Test1
data dalam bentuk skala nominal menggunakan teks untuk variabel
independen (X) dan skala interval untuk variabel dependen (Y).
- 163 -


mengeklik open.
- 164 -

menetapkan variabel independen (X) berskala nominal teks dan
variabel dependen (Y) berskala interval (scale).
Langkah 5. Mengganti urutan kelompok dalam variabel X dengan

mengarahkan kursor ke Tipe Pengajaran (X) sampai muncul pesan Click
here to change labels. Mengeklik opsi Reverse order of all labels untuk
menggeser label Partisipatif mendahului label Nonpartisipatif.
- 165 -

Langkah 7. Memindahkan variabel Nilai Pengantar Statistik (Y) dari

Kotak Independent Samples T-Test ke Kotak Dependent Variables.
Memindahkan variabel Tipe Pengajaran (X) dari Kotak Independent
Samples T-Test ke Kotak Grouping variable. Di bawah menu Test,
mencentang opsi Student. Di bawah menu Additional Statistics,
- 166 -
mencentang opsi Effect size Cohen’s d dan Descriptives. Di bawah menu

Alt. Hypothesis, mencentang opsi Group 1 > Group 2.

- 167 -
Laporan hasil pengerjaan contoh soal pertama independent samples t-test

sesuai kaidah APA edisi 7
Analisis independent samples t-test menunjukkan bahwa,
mendukung hipotesis yang ditetapkan, nilai pengantar statistika
mahasiswa yang diberi pengajaran partisipatif (M = 8.2, SD = 0.92) lebih
tinggi secara signifikan dibandingkan dengan nilai pengantar statistika
mahasiswa yang diberi pengajaran nonpartisipatif (M = 4.8, SD =1.03 ),
t(18) = 7.78, p < .001, dengan effect size sangat besar, d = 3.48.
Dalam laporan di atas, nilai deviasi standar (SD) adalah hasil
pengakaran nilai varians. Nilai SD = 0.92 adalah hasil pengakaran
nilai variansi kelompok 1 ( = 0.8444). Nilai SD = 1.03 adalah
hasil pengakaran nilai variansi kelompok 2 ( = 1.067).
D. Uji Asumsi Contoh Soal Pertama Independent Samples T-Test

Menggunakan JASP
Asumsi pertama dalam uji perbedaan independent sample t-test
adalah distribusi normal variabel dependen dalam dua kategori,
kelompok, atau level perlakuan variabel independen. Asumsi kedua
adalah homogenitas varians (Goss-Sampson, 2020). Untuk menguji
kedua asumsi tersebut, langkahnya adalah mengeklik menu T-Tests,
Independent Samples T-Test (classical). Memindahkan Nilai
Pengantar Statistik (Y) dari kotak Independent Samples T-Test ke
kotak Dependent Variables. Memindahkan Tipe Pengajaran (X) dari
kotak Independent Samples T-Test ke kotak Grouping Variable.
Langkah berikutnya adalah mencentang opsi Normality dan Equality
of variances di bawah menu Assumption Checks.
- 168 -
Nilai p Shapiro-Wilk untuk Nilai Pengantar Statistik pada

Pengajaran Nonpartisipatif = 0.19 adalah tidak signifikan karena lebih
besar 0.05. Nilai p Shapiro-Wilk untuk Nilai Pengantar Statistik pada
Pengajaran Partisipatif = 0.04 adalah signifikan karena lebih kecil dari
0.05. Kesimpulannya, Nilai Pengantar Statistik pada Pengajaran
Nonpartisipatif terdistribusi secara normal tetapi Nilai Pengantar
Statistik pada Pengajaran Partisipatif tidak terdistribusi secara normal
(Goss-Sampson, 2020).
Nilai Levene’s test variabel Nilai Pengantar Statistik (Y) adalah tidak
signifikan, F(1, 18) = 0.04, p = 0.847. Kesimpulannya, homoge-nitas
varians terpenuhi (Goss-Sampson, 2020). Meskipun asumsi
homogenitas varians terpenuhi, asumsi distribusi normal tidak
sepenuhnya terpenuhi terutama untuk Nilai Pengantar Statistik pada
Pengajaran Partisipatif. Sebagai alternatif, independent samples t-test
dalam contoh soal ini bisa diganti dengan Mann-Whitney independent
samples t-test sebagai statistika nonparametrik yang tidak mengasumsi-
kan normalitas distribusi data (Mashuri, 2022b).
E. Contoh Soal Kedua Independent Samples T-Test

Seorang pengajar berminat menguji efek atau pengaruh
pemberian feedback terhadap prestasi belajar mahasiswa. Feedback
diberikan dalam bentuk pengumuman untuk semua jenis hasil ujian
sebelum UAS (Ujian Akhir Semester), yaitu Kuis, Tugas, dan UTS
(Ujian Tengah Semester). Selain dalam bentuk pengumuman nilai,
- 169 -
feedback juga diberikan dalam bentuk hasil koreksi dan komentar-

komentar evaluasi bagi hasil pengerjaan tiap-tiap mahasiswa pada
tiap-tiap ujian sebelum UAS tersebut. Koreksi dan komentar evaluasi
ini diberikan secara individual kepada setiap mahasiswa. Efek
pemberian feedback ini dicoba pada mata kuliah Statistik Lanjut yang
diampu oleh pengajar tersebut. Ada dua kelas mata kuliah Statistik
Lanjut yang diampu oleh pengajar. Masing-masing kelas terdiri dari 15
mahasiswa. Kelas A diberikan treatment atau perlakuan pengajaran
dengan feedback yang prosedur teknis pemberiannya telah dijelaskan di
atas. Kelas B diberikan treatment atau perlakuan pengajaran tanpa
feedback di mana pengajar tersebut sebatas mengumumkan nilai akhir
atau nilai kompilasi mahasiswa pada mata kuliah Statistika Lanjut di
akhir semester, yang terdiri dari komponen Kuis, UTS, Tugas, dan UAS.
Pengajar juga tidak memberikan koreksi ataupun evaluasi untuk hasil
pengerjaan mahasiswa pada tiap-tiap komponen tes atau ujian
tersebut. Hipotesis kerja/alternatif (Ha) yang diajukan adalah “nilai
kumulatif/akhir mahasiswa pada mata kuliah Statistik Lanjut yang
diberi perlakuan pengajaran dengan feedback adalah lebih tinggi
dibandingkan nilai kumulatif/akhir mahasiswa yang diberi perlakuan
pengajaran tanpa feedback”. Andaikan bahwa asumsi-asumsi uji
perbedaan independent samples t-test terpenuhi. Hipotesis penelitian
ini diuji pada taraf signifikansi 0.001. Tabel 25 berikut menyajikan
data hasil penelitian.
Tabel 25. Data Hasil Nilai Mata Kuliah Statistika Lanjut pada Mahasiswa
yang Diberikan Pengajaran Feedback dan Pengajaran Tanpa Feedback.
Pengajaran dengan
No. No. Pengajaran tanpa feedback
feedback
Subjek Subjek
X1 X X2 X
1. 8 64 16. 5 25
2. 8 64 17. 5 25
3. 7 49 18. 5 25
4. 6 36 19. 7 49
- 170 -
5. 6 36 20. 8 64
6. 6 36 21. 5 25
7. 8 64 22. 5 25
8. 9 81 23. 3 9
9. 9 81 24. 5 25
10. 9 81 25. 4 16
11. 7 49 26. 4 16
12. 9 81 27. 4 16
13. 8 64 28. 6 36
14. 7 49 29. 6 36
15. 7 49 30. 5 25
ΣX1 = 114 ΣX = 884 n2 =15 ΣX2 = 77 ΣX = 417

n1=15
M1 = 7.60 M2 = 5.1333
Keterangan: n1 = Jumlah subjek kelompok I (Pengajaran dengan-feedback); X1

= Skor/nilai Statistik Lanjut kelompok I (Pengajaran dengan-feedback); M1 = Rata-
rata skor statistik kelompok I (Pengajaran dengan-feedback); n2 = Jumlah subjek
kelompok II (Pengajaran tanpa feedback). X2 = Skor/nilai Statistik Lanjut
kelompok II (Pengajaran tanpa feedback); M2 = Rata-rata skor Statistik Lanjut
kelompok II (Pengajaran tanpa feedback).
Penghitungan nilai independent samples t-test berdasarkan pada

data di Tabel 25 di atas adalah sebagai berikut:
(∑ ) (114)
∑( − ) ∑ − 884 −
= = = 15 = 1.257
−1 −1 14
(∑ ) (77)
∑( − ) ∑ − 417 −
= = = 15 = 1.552
−1 −1 14
- 171 -
Berpatokan pada nilai varians dari masing-masing kelompok di

atas, rumus untuk menghitung nilai independent sample t-test adalah
sebagai berikut:
−
=
SD ( − 1) + SD ( − 1) 1 1
+
+ −2
7.60 − 5.1333
=
1.257(15 − 1) + 1.552(15 − 1) 1 1
+
15 + 15 − 2 15 15
2.4667 2.4667
= =
17.598 + 21.728 √0.1873
(0.1333333333333333)
28
2.4667
= = 5.70
0.43278
Derajat bebas (db) dari data di atas adalah sebesar n1 + n2 – 2 = 15 +

15 – 2 = 28. Nilai t tabel dengan db sebesar 28, taraf signifikansi 0.001,
dan dengan hipotesis satu arah (one-tailed) adalah 3.408. Karena nilai t
hitung (= 5.708) adalah lebih besar dibandingkan nilai t tabel (= 3.408),
maka hipotesa alternatif dinyatakan diterima. Dengan demikian, nilai
statistik lanjut mahasiswa yang diberi perlakuan pengajaran dengan
feedback adalah lebih besar dibandingkan nilai statistik lanjut mahasiswa
yang diberi pengajaran tanpa feedback.
Menggunakan kalkulator online (https://www.danielsoper.
com/statcalc/calculator.aspx?id=8), dengan memasukkan derajat
bebas (db) = 28 dan t hitung = 5.70, hasil menunjukkan bahwa nilai p
dari t hitung tersebut adalah signifikan (= 0.0000002; p < .001) untuk
one-tailed test. Nilai effect size adalah sebagai berikut:
− 7.60 − 5.1333 2.4667

= = = = 2.08
+ 1.257 + 1.552 1.1851
2 2
- 172 -
Terakhir, peran atau pengaruh variabel independen pengajaran

dengan feedback versus pengajaran tanpa feedback dalam
menjelaskan varians nilai statistik lanjut adalah sebesar 54 persen.
Persentase ini diperoleh melalui rumus sebagai berikut:
(5.70) 32.49
= = = = 0.54
+ (5.70) + 28 60.49
F. Pengerjaan Contoh Soal Kedua Independent Samples T-Test

Menggunakan JASP
soal kedua independent samples t-test menggunakan JASP. Data
mentah contoh soal kedua independent samples t-test ini bisa diunduh
dalam format CSV di OSF dengan link: https://bit.ly/
IndependentSamplesT-Test2
- 173 -


mengeklik open.

- 174 -
Langkah 5. Memastikan urutan kelompok dalam variabel X

(Label Pemberian feedback mendahului label Tanpa feedback) dengan
mengarahkan kursor ke Tipe Pengajaran (X) sampai muncul pesan
Click here to change labels.

- 175 -
Langkah 7. Memindahkan variabel Nilai Statistik Lanjut (Y) dari

Memindahkan variabel Model Pengajaran (X) dari Kotak Independent
Alt. Hypothesis, mencentang opsi Group 1 > Group 2.
- 176 -

Laporan hasil pengerjaan contoh soal kedua independent samples

t-test sesuai kaidah APA edisi 7
mendukung hipotesis yang ditetapkan, nilai statistika lanjut
mahasiswa yang diberi pengajaran dengan feedback (M = 7.60, SD =
1.12) lebih tinggi secara signifikan dibandingkan dengan nilai
statistika lanjut mahasiswa yang diberi pengajaran tanpa feedback (M
- 177 -
= 5.13, SD =1.24), t(28) = 5.70, p < .001, dengan effect size sangat besar,
d = 2.08.
pengakaran nilai varians. Nilai SD = 1.12 adalah hasil pengakaran
nilai variansi kelompok 1 ( = 1.257). Nilai SD = 1.24 adalah
hasil pengakaran nilai variansi kelompok 2 ( = 1.552).
G. Uji Asumsi Contoh Soal Kedua Independent Samples T-Test

Menggunakan JASP
Identik dengan langkah-langkah dalam pengujian asumsi soal
pertama, langkah yang perlu dilakukan adalah adalah mengeklik menu
T-Tests, Independent Samples T-Test (classical). Memindahkan Nilai
Statistik Lanjut (Y) dari kotak Independent Samples T-Test ke kotak
Dependent Variables. Memindahkan Model Pengajaran (X) dari kotak
Independent Samples T-Test ke kotak Grouping Variable. Langkah
berikutnya adalah mencentang opsi Normality dan Equality of
variances di bawah menu Assumption Checks.

- 178 -
Nilai p Shapiro-Wilk untuk Nilai Statistik Lanjut pada Model

Pengajaran dengan Pemberian Feedback = 0.042 adalah signifikan
karena lebih kecil dari 0.05. Nilai p Shapiro-Wilk untuk Nilai Statistik
Lanjut pada Model Pengajaran Tanpa Feedback = 0.12 adalah tidak
signifikan karena lebih besar dari 0.05. Kesimpulannya, Nilai Statistik
Lanjut pada Model Pengajaran dengan Pemberian Feedback tidak
terdistribusi secara normal sementara Nilai Statistik Lanjut pada
Model Pengajaran Tanpa Feedback terdistribusi secara normal (Goss-
Sampson, 2020).
Nilai Levene’s test variabel Nilai Statistik Lanjut (Y) adalah tidak
signifikan, F(1, 28) = 0.14, p = 0.711. Kesimpulannya, homogenitas
varians terpenuhi (Goss-Sampson, 2020). Meskipun asumsi homoge-
nitas varians terpenuhi, asumsi distribusi normal tidak sepenuhnya
terpenuhi terutama untuk Nilai Statistik Lanjut pada Model Pengajaran
dengan Pemberian Feedback. Solusinya, independent samples t-test
dalam contoh soal ini bisa diganti dengan Mann-Whitney independent
samples t-test sebagai statistika nonparametrik yang tidak
mengasumsikan normalitas distribusi data (Mashuri, 2022b).
H. Independent Samples T-Test pada Kasus Jumlah Subjek pada

Masing-masing Kelompok Tidak Sama
Dua contoh soal yang diberikan sebelumnya berlaku dalam kasus
ketika jumlah sampel atau subjek penelitian yang sama untuk dua
kelompok, kategori, atau perlakuan yang dibandingkan. Dalam
realitasnya, sering kita temukan kasus ketika jumlah subjek penelitian
dalam dua kelompok, kategori, atau perlakuan yang dibandingkan
adalah tidak sama. Realitas memang menunjukkan bahwa
mendapatkan jumlah subjek penelitian yang sama untuk masing-
masing dari dua kelompok, kategori, atau level perlakuan dalam
desain riset independent samples t-test adalah hal yang terkadang sulit
tercapai. Rumus independent samples t-test untuk jumlah subjek
penelitian yang tidak sama tersebut adalah sebagai berikut (Graveter
dkk., 2020):
(31)
- 179 -
−
=
Dalam rumusan di atas dihitung dengan formula sebagai

berikut:
( − 1) + ( − 1) (32)
=
+ −2

t = Koefisien t hitung.
M1 = Rata-rata skor kelompok pertama.
M2 = Rata-rata skor kelompok kedua.
2
sp = Varians yang disatukan atau pooled variance.
n1 = Jumlah subjek pada kelompok pertama.
n2 = Jumah subjek pada kelompok kedua.
= Varians skor pada kelompok pertama.
= Varians skor pada kelompok kedua.
I. Contoh Soal Independent Samples T-Test pada Kasus Jumlah

Subjek pada Masing-Masing Kelompok Tidak Sama
Sebuah penelitian berminat meneliti perbedaan ‘radikalisme
beragama’ atas dasar tipe kepribadian A dan tipe kepribadian B.
Asumsikan bahwa radikalisme beragama diukur dengan sebuah skala
yang skor totalnya merentang dari 10 (sangat rendah) sampai 100
(sangat tinggi). Total subjek penelitian adalah 18. Dari total 18 subjek
ini, 10 subjek diidentifikasi bertipe kepribadian A sementara 8 subjek
lainnya diidentifikasi bertipe kepribadian B. Hipotesis yang diajukan
peneliti bersifat satu arah (one-tailed), yaitu “orang yang bertipe
kepribadian A dibandingkan dengan orang yang bertipe kepribadian
B memiliki tingkat radikalisme beragama yang lebih rendah”.
Andaikan bahwa asumsi-asumsi dalam uji perbedaan independent
samples t-test terpenuhi. Hipotesis penelitian tersebut diuji pada taraf
- 180 -
signifikansi 0.05. Data hasil penelitian dirinci dalam Tabel 26 sebagai

berikut:
Tabel 26. Tingkat Radikalisme Beragama pada Individu
Berkepribadian A dan Individu Berkepribadian B.
No. Kepribadian A No. Kepribadian B

Subjek X1 X Subjek X2 X
1. 81 6561 11. 89 7921
2. 82 6724 12. 75 5625
3. 35 1225 13. 66 4356
4. 44 1936 14. 90 8100
5. 59 3481 15. 70 4900
6. 48 2304 16. 78 6084
7. 63 3969 17. 87 7569
8. 31 961 18. 79 6241
9. 55 3025
10. 68 4624
ΣX1= 566 ΣX = ΣX2= 634 ΣX =

n1=10 n2=8
M1= 56.6 34810 M2= 79.25 50796
Keterangan: n1 = Jumlah subjek kelompok I (Kepribadian A); X1 = Skor/nilai

Radikalisme beragama kelompok I (Kepribadian A); M1 = Rata-rata skor
radikalisme beragama kelompok I (Kepribadian A); n2 = Jumlah subjek
kelompok II (Kepribadian B); X2 = Skor/nilai radikalisme beragama kelompok
II (Kepribadian B); M2 = Rata-rata skor radikalisme beragama kelompok II
(Kepribadian B).
Mengacu pada hasil penghitungan pada Tabel 26 di atas, langkah

pertama untuk menguji hipotesis penelitian adalah menghitung nilai
varians masing-masing kelompok. Varians untuk kelompok pertama
- 181 -
(varians untuk radikalisme beragama pada kepribadian A) dihitung

dengan prosedur sebagai berikut:
(∑ )
∑( − ) ∑ −
= =
−1 −1
(566)
34810 −
= 10 = 308.267
9
Varians untuk kelompok kedua (varians untuk radikalisme

beragama pada kepribadian B) dihitung dengan cara sebagai berikut:
(∑ ) (634)
∑( − ) ∑ − 50796 −
= = = 8 = 78.786
−1 −1 7
Berdasarkan nilai varians masing-masing kelompok di atas.

selanjutnya kita bisa tetapkan nilai pooled variance ( ) menggunakan
rumus sebagai berikut:
( − 1) + ( − 1)
=
+ −2
(10 − 1)308.267 + (8 − 1)78.786

= = 207.8691
10 + 8 − 2
Dengan demikian, nilai t hitung kita tetapkan sebagai berikut:
− 56.6 − 79.25 −22.65

= = = = −3.312
207.8691 207.8691 6.8389
+
+ 10 8
Derajat bebas (db) untuk menghitung signifikansi nilai t hitung

di atas (= −3.312 atau dimutlakkan = |3.312 |) adalah sebesar n1 + n2
− 2 = 10 + 8 − 2 = 16. Pada level signi kansi 0.05 dan hipotesis yang
bersifat satu arah (one-tailed), kita ketahui bahwa nilai t tabel dengan
db = 16 adalah sebesar 1.746 (Lihat Tabel A.2 di Lampiran). Karena
- 182 -
nilai t hitung (= 3.312) adalah lebih besar dari nilai t tabel (= 1.746),
maka kita simpulkan bahwa hipotesis kerja yang menyatakan bahwa
radikalisme beragama pada orang bertipe kepribadian B (M2 = 79.25)
adalah lebih besar dibandingkan dengan orang yang bertipe
kepribadian A (M1 = 56.6) adalah diterima.
com/statcalc/calculator.aspx?id=8; Soper, 2022), dengan
memasukkan derajat bebas atau degree of freedom = 16 dan t hitung =
3.312, hasil menunjukkan bahwa nilai p dari t hitung tersebut adalah
signikan (p = 0.0022) untuk one-tailed test. Dengan demikian, dapat
disimpulkan bahwa nilai t hitung sebesar 3.312 adalah signifikan.
Sementara itu, effect size bisa dihitung sebagai berikut:
−
=
SD ( − 1) + SD ( − 1)
+ −2
56.6 − 79.25 −22.65

= =
308.267(10 − 1) + 78.786(8 − 1) 2774.403 + 551.502)
10 + 8 − 2 16
−22.65 −22.65
= = = −1.570 |1.570|
√207.8691 14.4177
Mengacu pada Tabel 19, effect size (d) sebesar 1.57 termasuk
kategori ‘sangat besar’ (>.80).
Mengacu rumus (27), persentase pengaruh dalam contoh soal 9.1
di atas adalah sebagai berikut:
(-3.312) 10.9693
= = = = 0.41
+ (-3.312) + 16 26.9693
Dengan demikian, peran tipe kepribadian (kepribadian tipe A

dan tipe B) dalam menjelaskan radikalisme beragama adalah sebesar
41 persen.
- 183 -
J. Pengerjaan Contoh Soal Independent Samples T-Test pada

Kasus Jumlah Subjek pada Masing-Masing Kelompok Tidak
Sama Menggunakan JASP
Langkah-langkah berikut ini merinci cara pengerjaan contoh soal
ketiga independent samples t-test untuk kasus jumlah subjek penelitian yang
tidak sama di dalam dua kelompok atau kategori variabel indepen-den
menggunakan JASP. Data mentah bisa diunduh dalam format CSV di OSF
dengan link: https://bit.ly/ IndependentSamplesT-TestUnequal

- 184 -

mengeklik open.

- 185 -
Langkah 5. Menentukan urutan kelompok dalam variabel X di

mana Label Kepribadian A mendahului label Kepribadian B dengan
mengarahkan kursor ke Tipe Kepribadian (X) sampai muncul pesan
Click here to change labels.

- 186 -
Langkah 7. Memindahkan variabel Radikalisme Beragama (Y) dari

Memindahkan variabel Tipe Kepribadian (X) dari Kotak Independent
Alt. Hypothesis, mencentang opsi Group 1 < Group 2.

- 187 -
Laporan hasil pengerjaan soal independent samples t-test pada

kasus jumlah subjek pada masing-masing kelompok tidak sama
mendukung hipotesis yang ditetapkan, tingkat radikalisme beragama
individu dengan kepribadian tipe A (M = 56.6, SD = 17.56) lebih rendah
secara signifikan dibandingkan dengan tingkat radikalisme beragama
individu dengan kepribadian tipe B (M = 79.25, SD = 8.87), t(16) = -
3.312, p = .002, dengan effect size sangat besar, d = 1.57.
pengakaran nilai varians. Nilai SD = 17.56 adalah hasil pengakaran nilai
varians radikalisme individu dengan kepribadian tipe A ( =
308.267 ). Nilai SD = 8.87 adalah hasil pengakaran nilai varians
radikalisme individu dengan kepribadian tipe B ( = 78.786).
Formula berikut merupakan bukti hasil penghitungan manual
deviasi standar (SD) tersebut:
(∑ )
∑( − ) ∑ −
= = =
−1 −1
- 188 -
(566)
34810
10
= = √308.267 = 17.56
(∑ )
∑( − ) ∑ −
= = =
−1 −1
(634)
50796 18
= = √78.7857 = 8.876
K. Uji Asumsi Contoh Soal Ketiga Independent Samples T-Test

Menggunakan JASP
Langkah yang diambil untuk uji asumsi identik dengan contoh
pertama dan contoh kedua, yaitu mengeklik menu T-Tests,
Independent Samples T-Test (classical). Memindahkan Radikalisme
Beragama (Y) dari kotak Independent Samples T-Test ke kotak
Dependent Variables. Memindahkan Tipe Kepribadian (X) dari kotak
Independent Samples T-Test ke kotak Grouping Variable. Langkah
berikutnya adalah mencentang opsi Normality dan Equality of
variances di bawah menu Assumption Checks.
- 189 -
Nilai p Shapiro-Wilk untuk Radikalisme Beragama pada

partisipan dengan Kepribadian A = 0.756 dan Radikalisme Beragama
pada partisipan dengan Kepribadian B = 0.548 adalah tidak signifikan
karena lebih kecil dari 0.05. Kesimpulannya, Radikalisme Beragama
pada partisipan dengan Kepribadian A dan Kepribadian B
Nilai Levene’s test variabel Nilai Statistik Lanjut (Y) adalah tidak
signifikan, F(1, 16) = 3.54, p = 0.078. Kesimpulannya, homogenitas
varians terpenuhi (Goss-Sampson, 2020).
- 190 -
BAB 12
Uji Perbedaan Paired
Samples T-Test
A. Pengantar Uji Perbedaan Paired Samples T-Test

Paired samples t-test, sebagaimana bisa dilihat pada Tabel 20,
merupakan tes univariat untuk menguji perbedaan sebuah variabel
dependen atas dasar satu variabel independen. Dalam paired samples
t-test, variabel independen memiliki atau terdiri dari dua kelompok
atau kategori. Sebagai salah satu jenis statistika parametrik, variabel
dependen yang diuji dalam paired samples t-test bersifat kontinum
(interval atau rasio) sementara variabel independen bersifat nominal
(Ross & Willson, 2017).
Paired samples t-test disebut juga sebagai repeated measures t-test
dalam artian bahwa variasi dalam variabel independen (jumlah
kelompok atau kategori) diisi oleh atau diberikan kepada kelompok
subjek yang sama. Variasi dalam variabel independen tersebut bisa
diaplikasikan dalam suatu eksperimen. Dengan desain eksperimen
ini, variasi level atau kategori variabel independen diberlakukan
dalam bentuk, misalnya, pre-test dan post-test kepada subjek
penelitian yang sama secara berulang (repeated) (King dkk., 2021).
- 191 -
Paired samples t-test mengasumsikan bahwa variabel dependen

terdistribusi secara normal dan tidak memiliki outliers (Field, 2019).
Rumus paired samples t-test adalah sebagai berikut (Cohen, 2013):
−
=
√ (33)
= ∑( − ) /( − 1)

= Koefisien/nilai paired samples t-test.
M1 = Rata-rata skor subjek pada pengukuran pertama.
M2 = Rata-rata skor subjek pada pengukuran kedua.
D= Hasil pengurangan skor pengukuran pertama dan skor
pengukuran kedua untuk masing-masing subjek penelitian.
SDD = Standar Deviasi perbedaan skor pengukuran pertama dan
pengukuran kedua.
MD = Rata-rata perbedaan antara skor subjek pada perlakuan
pertama dan kedua.
n = Jumlah pasangan skor.
Derajat bebas (db) dalam paired samples t-test dihitung

berdasarkan n (jumlah pasangan skor atau nilai) – 1. Effect size dalam
paired samples t-test bisa dihitung dengan rumus sebagai berikut
(Pagano, 2012):
− (34)
=
∑( − ) /( − 1)
B. Contoh Soal Pertama Paired Samples T-Test

Seorang peneliti tertarik menguji pengaruh visualisasi terhadap
kemampuan anak sekolah dasar (SD) kelas 7 dalam menghafalkan
benda-benda. Untuk menguji efek visualisasi tersebut, peneliti
menerapkan desain eksperimen. Dalam eksperimen ini, subjek
penelitian yang sama diberikan dua jenis perlakuan yang berbeda. Sang
- 192 -
peneliti selanjutnya merekrut 10 siswa SD XYX kelas 7 sebagai subjek

penelitian. Eksperimen dilakukan di dalam suatu laboratorium.
Pada pertemuan pertama, 10 siswa SD tersebut diinstruksikan
menghafalkan 10 deret kata benda (tengkorak, kuda, singa, cangkul,
dinosaurus, bunga dahlia, gunung, truk, sungai, unta) yang ditampilkan
dalam suatu layar monitor. Dalam layar monitor tersebut, deret kata
benda dilengkapi dengan visualisasi gambar di bawah tiap-tiap kata yang
terkait. Pada pertemuan pertama ini, perlakuan yang diberikan disebut
sebagai visualisasi kata. Siswa selanjutnya diberikan waktu tiga menit
untuk menghafalkan sepuluh nama benda tersebut. Setelah 3 menit
berselang layar monitor dimatikan. Siswa selanjutnya diinstruksikan
untuk menuliskan (tidak harus urut) kesepuluh kata benda tersebut
dalam waktu 5 menit.
Empat bulan berikutnya, kesepuluh siswa yang sama diberikan
10 daftar kata benda yang secara paralel sama dengan daftar kata
benda pada perlakuan pertama. Kata-kata benda tersebut tidak
dilengkapi dengan gambar yang terkait. Daftar kata benda tersebut juga
ditampilkan di layar monitor dan siswa diberikan waktu yang sama,
yaitu 3 menit untuk menghafalkan kata-kata tersebut. Akhirnya, setelah
3 menit berakhir, siswa diinstruksikan menuliskan kesepuluh kata
tersebut (tidak harus urut) dalam waktu 5 menit. Perlakuan dalam
pertemuan kedua ini disebut sebagai abtraksi kata. Hipotesis (Ha) yang
peneliti ajukan adalah “visualisasi kata secara signifikan lebih efektif
dibandingkan dengan abstraksi kata dalam mempengaruhi hafalan
kata-kata benda siswa SD”. Hipotesis diuji pada taraf signifikansi 0.01.
Andaikan bahwa asumsi-asumsi dalam uji perbedaan paired samples
t-test terpenuhi. Peneliti merinci data hasil kemampuan siswa dalam
menghafalkan ke-sepuluh kata benda tersebut pada pertemuan
pertama (visualisasi kata) dan pertemuan kedua (abstraksi kata)
dalam Tabel 27 sebagai berikut:
- 193 -
Tabel 27. Kemampuan Menghafalkan Kata-Kata Benda

pada Siswa dalam Kondisi Visualisasi Kata dan Abstraksi Kata.
Visualisasi Abstraksi
No. Kata Kata D D −MD (D −MD)2
Subjek
X1a X1b
1. 10 7 3 0.3 0.09
2. 8 3 5 2.3 5.29
3. 8 6 2 -0.7 0.49
4. 6 4 2 -0.7 0.49
5. 8 6 2 -0.7 0.49
6. 9 5 4 1.3 1.69
7. 9 6 3 0.3 0.09
8. 9 6 3 0.3 0.09
9. 8 6 2 -0.7 0.49
10. 7 6 1 -1.7 2.89
ΣX1 = 82 ΣX2 = 55 ΣD = 27 Σ(D −

N =10 )=
M1 =8.2 M2 =5.5 MD = 2.7 12.1
Keterangan. N = Jumlah partisipan. X1 = Jumlah kata yang mampu dihafalkan

dengan benar pada perlakuan pertama (Visualisasi kata). X2 = Jumlah kata yang
mampu dihafalkan dengan benar pada perlakuan kedua (Abstraksi kata). D =
Perbedaan skor hafalan kata pada perlakuan pertama (Visualisasi kata) dan
perlakuan kedua (Abstraksi kata).
Mengacu pada rincian data yang ditampilkan dalam Tabel 27 di

atas, selanjutnya kita bisa menghitung nilai standar deviasi perbedaan
skor (SDD) sebagai berikut:
∑( − ) /( − 1) 12.1/(10 − 1)
= =
√ √ √10
- 194 -
√1.344444444 1.1595
= = = 0.366664
√ 3.1623 3.1623
Menggunakan SDD di atas, langkah berikutnya adalah menentukan

nilai t hitung dengan prosedur matematis sebagai berikut:
− 8.2 − 5.5 2.7
t= = = = 7.364
0.366664 0.366664
√
Derajat bebas (db) dari soal di atas adalah N –1 atau 10 –1 = 9.
Dengan db = 9, nilai t tabel satu arah (one-tailed) pada level signifikansi
0.01 adalah 2.821 (lihat Tabel A.2 di Lampiran). Karena nilai t hitung (=
7.364) lebih besar daripada nilai t tabel maka hipotesis penelitian
diterima. Dengan demikian, visualisasi kata daripada abstraksi kata lebih
efektif dalam meningkatkan kemampuan menghafalkan kata-kata
benda pada siswa SD.
memasukkan derajat bebas (db) = 9 dan t hitung = 7.364, hasil
menunjukkan bahwa nilai p dari t hitung tersebut adalah signifikan
(= 0.00002; p < .001) untuk one-tailed test. Dengan demikian, dapat
disimpulkan bahwa nilai t hitung sebesar 7.364 adalah signifikan.
Hasil selanjutnya menunjukkan bahwa effect size termasuk
dalam kategori sangat besar (> 0.80):
− 8.2 − 5.5
= =
∑( − ) /( − 1) √1.344444444
2.7
= = 2.33
1.1595
Sementara itu, varians kemampuan menghafalkan daftar kata
benda (variabel dependen) yang bisa dijelaskan oleh visualisasi kata
adalah sebesar 86 persen:
(7.364) 54.2285
= = = = .86
+ (7.364) + 9 63.2285
- 195 -
C. Pengerjaan Contoh Soal Pertama Paired Samples T-Test

Menggunakan JASP
pertama paired samples t-test menggunakan JASP. Data mentah contoh
soal pertama paired samples t-test ini bisa diunduh dalam format CSV di
OSF dengan link: https://bit.ly/PairedSamplesT-Test1
Input data dalam bentuk skala interval untuk hafalan kata dalam
kondisi Visualisasi Kata (X1a) dan kondisi Abstraksi Kata (X1b).

- 196 -

mengeklik open.

submenu Paired Samples T-Test (Classical).
- 197 -
Langkah 6. Memindahkan terlebih dahulu variabel Visualisasi

Kata (X1a) yang diikuti dengan Abstraksi Kata (X1b) dari Kotak Paired
Samples T-Test ke Kotak Variable Pairs. Di bawah menu Tests,
Alt. Hypothesis, mencentang opsi Measure 1 > Measure 2.

- 198 -
Laporan hasil pengerjaan contoh soal pertama paired samples t-test

Analisis paired samples t-test menunjukkan bahwa, mendukung
hipotesis yang ditetapkan, tingkat hafalan kata-kata benda pada siswa
ketika diberikan visualisasi kata (M = 8.2, SD = 1.14) lebih tinggi secara
signifikan dibandingkan dengan tingkat hafalan kata-kata benda pada
siswa ketika diberikan abstraksi kata (M = 5.5, SD = 1.18), t(9) = 7.364,
p < .001, dengan effect size sangat besar, d = 2.33.
Dalam laporan di atas, nilai deviasi standar (SD) = 1.14 dan 1.18
secara manual bisa dihitung menggunakan rumus sebagai berikut
(Lihat rumus 21):
(∑ 1) (82)
∑ 1 − 684 −
= = 10
−1 9
= √1.2889 = 1.14
(∑ 2) (55)
∑ 2 − 315 −
= = 10
−1 9
= √1.388889 = 1.18
- 199 -
D. Uji Asumsi Contoh Soal Pertama Paired Samples T-Test

Menggunakan JASP
Asumsi dalam paired samples t-test adalah variabel dependen
harus terdistribusi secara normal (Goss-Sampson, 2020). Untuk
menguji asumsi ini, langkahnya adalah mengeklik menu T-Tests,
Paired Samples T-Test (classical). Memindahkan Visualisasi Kata
(X1a) yang diikuti dengan Abstraksi Kata (X1b) dari kotak Paired
Samples T-Test ke kotak Variable Pairs. Langkah berikutnya adalah
mencentang opsi Normality di bawah menu Assumption Checks.
Nilai p Shapiro-Wilk untuk variabel Visualisasi Kata (X1a) dan

Abstraksi Kata (X1b) = 0.328 adalah tidak signifikan karena lebih besar
dari 0.05. Kesimpulannya, variabel Visualisasi Kata (X1a) dan Abstraksi
Kata (X1b) terdistribusi secara normal (Goss-Sampson, 2020).
Asumsi kedua adalah distribusi data harus terbebas dari outliers.
Untuk mengecek asumsi kedua ini, langkah yang dilakukan adalah
menglik menu Descriptives dan memindahkan Visualisasi Kata (X1a)
dan Abstraksi Kata (X1b) dari kotak Descriptive Statistics ke kotak
Variables. Langkah selanjutnya, mengeklik menu Customizable plots
dan mencentang opsi Boxplot element dan Label outliers.
- 200 -
Mengacu pada hasil boxplots di atas, dalam Visualisasi Kata

(X1a) terdapat sebuah outlier, yaitu responden nomor 4. Sementara
itu, dalam Abstraksi Kata (X1b), terdapat dua outliers, yaitu
responden nomor 2 dan nomor 4.
Meskipun data dalam contoh soal ini terbukti terdistribusi secara
normal, tetapi terdapat beberapa outliers. Konsekuensinya, paired
samples t-test bisa diganti dengan padanan nonparametriknya, yaitu
Wilcoxon signed-rank test yang tidak memerlukan terpenuhinya asumsi
ketiadaan outliers (Mashuri, 2022b).
- 201 -
E. Contoh Soal Kedua Paired Samples T-Test

Sebuah eksperimen dilakukan untuk menguji pengaruh
anonimitas identitas personal terhadap perilaku faking good atau
perilaku yang terlalu meninggikan kebaikan diri dalam menjawab
persoalan-persoalan yang bertentangan dengan idealitas norma-
norma sosial dan agama seperti berbohong, bergosip, mengumpat,
dan lain-lain. Eksperimen dijalankan dalam suatu laboratorium.
Subjek penelitian adalah 20 siswa SMA ABC. Perlakuan pertama
diberikan dan diposisikan sebagai pre-test dengan meminta subjek
menjawab 10 item yang disusun ke dalam 5-poin skala Likert (dari
Sangat Setuju = 0 sampai dengan Sangat Tidak Setuju = 4) yang
ditujukan untuk mengukur derajat faking good. Dalam pre-test ini,
format skala dibuat tidak bersifat anonim di mana subjek sebelum
menjawab semua pertanyaan diminta mengisi sejumlah identitas
personal mereka seperti nama, jenis kelamin, umur, dan asal sekolah.
Di akhir semester atau sekitar 5 bulan berikutnya, 20 subjek yang
sama diberi perlakuan kedua sebagai post-test.
Dalam post-test ini, subjek diberi skala yang serupa dengan skala
dalam perlakuan pertama. Akan tetapi, untuk mengurangi efek
retensi atau ingatan, urutan nomor item skala dalam perlakuan kedua
dibuat tidak sama dengan urutan dalam perlakuan pertama. Dalam
post-test tersebut, skala faking good dibuat bersifat anonim di mana
subjek tidak perlu mengisi identitas personalnya seperti pengisian
skala dalam pre-test. Hipotesis yang diajukan (Ha) menyatakan bahwa
“anonimitas identitas personal bisa mengurangi derajat faking good
dalam menjawab soal-soal yang bertentangan atau tidak sesuai
dengan norma-norma sosial”. Andaikan bahwa asumsi-asumsi uji
perbedaan paired samples t-test terpenuhi. Hipotesis diuji pada taraf
signifikansi 0.05. Data yang diperoleh peneliti setelah eksperimen
dijalankan ditampilkan ke dalam Tabel 28 sebagai berikut:
- 202 -
Tabel 28. Tingkat Faking Good dalam Pre-Test dan Post-Test.
Pre-test
Post-test
No. (Non-
(Anonim) D D −MD (D −MD)2
Subjek anonim)
X1a X1b
1. 34 32 2 −0.15 0.0225
2. 35 34 1 −1.15 1.3225
3. 25 25 0 −2.15 4.6225
4. 19 19 0 −2.15 4.6225
5. 20 18 2 -0.15 0.0225
6. 20 15 5 2.85 8.1225
7. 33 34 −1 −3.15 9.9225
8. 25 26 −1 −3.15 9.9225
9. 27 25 2 −0.15 0.0225
10. 23 21 2 −0.15 0.0225
11. 24 20 4 1.85 3.4225
12. 25 22 3 0.85 0.7225
13. 18 16 2 −0.15 0.0225
14. 10 10 0 −2.15 4.6225
15. 39 38 1 −1.15 1.3225
16. 14 15 −1 −3.15 9.9225
17. 21 17 4 1.85 3.4225
18. 22 16 6 3.85 14.8225
19. 27 21 6 3.85 14.8225
20. 30 24 6 3.85 14.8225
ΣX1 = 491 ΣX2 = 448 ΣD = 43 Σ(D −MD)2
= 106.55
N = 20 MD
M1 =24.55 M2 =22.4
=2.15
Keterangan. N = jumlah subjek penelitian; X1 = skor faking-good pada perlakuan

pertama (pre-test: non-anonim); X2 = skor faking-good pada perlakuan kedua
(post-test: anonim); D = perbedaan skor faking-good pada pre-test dan post-test.
- 203 -
Berdasarkan pada rincian data sebagaimana ditampilkan dalam

Tabel 28 di atas, langkah pertama adalah menentukan nilai deviasi
standar perbedaan skor dengan formula sebagai berikut:
∑( − ) /( − 1) 106.55/(20 − 1)
= =
√ √ √20
√5.6079 2.3681
= = = 0.5295
√ 4.4721 4.4721
Menggunakan SDD di atas, selanjutnya kita tentukan nilai t

hitung sebagai berikut:
− 24.55 − 22.4 2.15

t= = = = 4.06
0.5295 0.5295
√
Dengan jumlah N sebanyak 20 dan mengacu pada aturan paired

samples t-test, derajat bebas (db) dari soal di atas adalah 20 – 1 = 19.
Dengan db sebesar 19 ini, nilai t tabel satu arah (one-tailed) pada level
signifikansi 0.05 adalah sebesar 1.729 (Lihat Tabel A.2 di Lampiran).
Karena nilai t hitung (= 4.0604) lebih besar daripada nilai t tabel (=
1.729) maka hipotesa penelitian (Ha) bisa diterima. Dengan demikian,
anonimitas identitas personal dalam menjawab pertanyaan-
pertanyaan yang bertentangan dengan norma sosial bisa secara efektif
menurunkan kecenderungan subjek penelitian dalam melakukan
tindakan faking-good.
Menggunkan kalkulator online (https://www.danielsoper.
memasukkan derajat bebas = 19 dan t hitung = 4.06, hasil
menunjukkan bahwa nilai p dari t hitung tersebut adalah signifikan
(= 0.00033; p < .001) untuk one-tailed test. Dengan demikian, nilai t
hitung sebesar 4.06 adalah signifikan.
Effect size dalam contoh soal kedua ini adalah 0.91, yang
termasuk dalam kategori sangat besar (>.80):
- 204 -
− 24.55 − 22.4
= =
∑( − ) /( − 1) 106.55/(20 − 1)
2.15 2.15
= = = 0.91
√5.6079 2.3681
Varians faking good (variabel dependen) yang bisa dijelaskan

oleh anonimitas identitas adalah sebesar 0.47 persen, yang bisa
ditentukan melalui rumus sebagai berikut:
(4.06) 16.4836
= = = = 0.47
+ (4.06) + 19 35.4836
F. Pengerjaan Contoh Soal Kedua Paired Samples T-Test

Menggunakan JASP
kedua paired samples t-test menggunakan JASP. Data mentah contoh
soal kedua paired samples t-test ini bisa diunduh dalam format CSV di
OSF dengan link: https://bit.ly/PairedSamplesT-Test2
Input data dalam bentuk skala interval untuk Faking Good dalam
Pre-test (Non-anonim) (X1a) dan dan Post-test (Anonim) (X1b).
- 205 -


mengeklik open.

menetapkan skor faking good pre-test (non-anonim: X1a) dan skor
faking good pre-test (non-anonim: X1b) berskala interval (scale).
- 206 -

submenu Paired Samples T-Test (Classical).
Langkah 6. Memindahkan terlebih dahulu variabel Pretest Non-

Anonim (X1a) yang diikuti dengan Post-Test Anomim (X1b) dari Kotak
Paired Samples T-Test ke Kotak Variable Pairs. Di bawah menu Tests,
- 207 -

Alt. Hypothesis, mencentang opsi Measure 1 > Measure 2.

Laporan hasil pengerjaan contoh soal kedua paired samples t-test

Analisis paired samples t-test menunjukkan bahwa, mendukung
hipotesis yang ditetapkan, tingkat faking good subjek penelitian dalam
kondisi identitas non-anomim (M = 24.55, SD = 7.19) lebih tinggi secara
signifikan dibandingkan dengan tingkat faking good subjek penelitian
- 208 -
dalam kondisi identitas anonim (M = 22.4, SD = 7.43), t(19) = 4.0604, p

< .001, dengan effect size sangat besar, d = 0.91.
Dalam laporan di atas, nilai deviasi standar (SD) = 7.19 dan 7.43
secara manual bisa dihitung menggunakan rumus sebagai berikut:
(∑ 1) (491)
∑ 1 − 13035 −
= = 20
−1 19
= √51.62895 = 7.19
(∑ 2) (448)
∑ 2 − 11084 −
= = 20
−1 19
= √55.2 = 7.43
G. Uji Asumsi Contoh Soal Kedua Paired Samples T-Test

Menggunakan JASP
Identik dengan contoh soal pertama, uji asumsi normalitas data
dilakukan dengan cara mengeklik menu T-Tests, Paired Samples T-
Test (classical). Memindahkan Pre-test (Non-anomim) (X1a) yang
diikuti dengan Post-test (Anonim) (X1b) dari kotak Paired Samples
T-Test ke kotak Variable Pairs. Langkah berikutnya adalah
mencentang opsi Normality di bawah menu Assumption Checks.

- 209 -
Nilai p Shapiro-Wilk untuk Pre-test (Non-anonim) (X1a) dan Post-

test (Anomim) (X1b) = 0.084 adalah tidak signifikan karena lebih besar
dari 0.05. Kesimpulannya, Pre-test (Non-anonim) (X1a) dan Post-tes
(Anomim) (X1b) terdistribusi secara normal (Goss-Sampson, 2020).
Untuk menguji asumsi kedua, yaitu disribusi data harus terbebas
dari outliers, identik dengan contoh soal pertama, langkah yang
dilakukan adalah menglik menu Descriptives dan memindahkan Pre-
test (Non-anonim) (X1a) dan Post-test (Anomim) (X1b) dari kotak
Descriptive Statistics ke kotak Variables. Langkah selanjutnya,
mengeklik menu Customizable plots dan mencentang opsi Boxplot
element dan Label outliers.

- 210 -
Mengacu pada hasil boxplots di atas, dalam Pre-test (Non-anonim)

(X1a) dan Post-test (Anomim) (X1b) tidak terdapat outliers.
- 211 -
BAB 13
Uji Perbedaan One-Way
Between-Subjects Analysis
of Variance
A. Pengantar One-Way Between-Subjects ANOVA

One-way between-subjects ANOVA merupakan salah satu bentuk
tes univariat dalam statistika parametrik uji beda, yang disebut juga
sebagai one-way independent ANOVA (Herzog dkk., 2019). Sama seperti
independent samples t-test dan paired samples t-test, one-way between-
subjects ANOVA berfungsi untuk menguji perbedaan sebuah variabel
dependen atas dasar satu variabel independen. Tetapi berbeda dengan
independent samples t-test dan paired samples t-test, variabel independen
dalam one-way between-subjects ANOVA memiliki variasi lebih dari dua
kelompok atau kategori. Variabel dependen dalam one-way between-
subjects ANOVA, seperti dalam independent samples t-test dan paired
samples t-test, harus berskala interval atau rasio. Variabel independen
dalam one-way between-subjects ANOVA bersifat nominal politomi
(terdiri dari tiga atau lebih kategori kualitatif).
Istilah ‘one-way’ dalam one-way between-subjects ANOVA,
mengandung arti satu variabel independen yang diuji. Istilah ‘one-
way’ disebut juga dengan istilah ‘one-factor’ (Lane dkk., 2003). Istilah
- 212 -
‘between-subjects’ dalam one-way between-subjects ANOVA

mengandung arti variasi kelompok, perlakuan, atau kategori yang
berjumlah lebih dari dua yang diisi oleh atau diberikan kepada subjek
penelitian yang berbeda.
One-way between-subjects ANOVA memiliki beberapa asumsi,
yang relatif identik dengan asumsi dalam independent samples t-test.
Beberapa asumsi tersebut adalah variabel dependen harus terdistribusi
normal dalam masing-masing kategori atau level variabel independen.
Asumsi berikutnya adalah terpenuhinya homogenitas varians variabel
dependen dalam masing-masing kategori atau level variabel independen
(Field, 2019; Herzog dkk., 2019).
Pengujian signifikansi perbedaan variabel dependen dalam dua
atau lebih dari dua kategori, kelompok, atau level perlakukan variabel
independen menggunakan uji F dengan rumus sebagai berikut (King
dkk., 2021):
SMantar
= (35)
dalam
Dalam rumus (35) di atas, adalah rata-rata atau mean

kuadrat antar-kelompok (between-groups mean squares), sementara
adalah rata-rata kuadrat dalam-kelompok (within-groups
mean squares). Selanjutnya, rata-rata kuadrat antar-kelompok (
) dan rata-rata kuadrat dalam-kelompok ( ) dihitung
dengan formula sebagai berikut:
SSantar
SMantar =
dbantar
SSdalam
dalam = (36)
dbdalam
Dalam rumus (36) di atas, adalah jumlah kuadrat antar-

kelompok (between-groups sum of squares), sementara adalah
jumlah kuadrat dalam-kelompok (within-groups sum of squares).
Sementara itu, adalah derajat bebas antar-kelompok yang
dihitung dari ‘jumlah kelompok, kategori, atau level perlakuan
variabel independen’, yang diberi simbol k, dikurangi satu. Dengan
- 213 -
demikian, = k 1. Selanjutnya, adalah derajat bebas

dalam-kelompok yang dihitung dari Ntotal (= jumlah total subjek atau
responden penelitian) dikurangi dengan k. Dengan demikian,
= Ntotal k.
Rumus untuk menghitung jumlah kuadrat, baik jumlah kuadrat
total (SStotal), jumlah kuadrat antar-kelompok (SSantar), dan jumlah
kuadrat dalam-kelompok (SSdalam) adalah sebagai berikut:
(∑ total )
SStotal = total −
total
(∑ ) (∑ ) (∑ ) (∑ total )
SSantar = + +. . . + −
total
(37)
( ) (∑ total )
SSantar = ∑ −
total
SSdalam = SStotal − SSantar
Dalam rumus (37) di atas, ΣXtotal merupakan jumlah total skor

untuk semua subjek penelitian, ΣXk merupakan jumlah total skor
pada masing-masing kelompok, kategori, atau level perlakuan.
Sementara itu, nk merupakan jumlah subjek pada tiap-tiap kelompok,
kategori, atau level perlakuan. Berdasarkan perhitungan atas ketiga
jenis jumlah kuadrat di atas, selanjutnya kita rangkum rumus-rumus
uji perbedaan between-subjects one-way ANOVA dalam Tabel 29
sebagai berikut:
- 214 -
Kuadrat untuk Menentukan Signifikansi Uji Perbedaan One-Way Between-
Subjects ANOVA.
Mean
Sumber Derajat Jumlah Ftabel &
Kuadrat Fhitung
Variasi bebas (db) Kuadrat (SS) Sig.
(MS)
Fhitung >
SSantar
Ftabel = Ha
( ) antar
Antar =∑ diterima;
k −1 SSantar antar
kelompok = = Fhitung <
(∑ total ) dbantar dalam
− Ftabel = Ha
total
ditolak;
Dalam SSdalam
Ntotal − k = SStotal SSdalam
kelompok =
− SSantar dbdalam
SStotal
= total
Total Ntotal −1
(∑ total )
−
total
Keterangan. Sig. = signifikansi nilai Fhitung.
Rumus Eta Squared dan Omega Squared berikut ini digunakan

untuk menghitung proporsi varians variabel dependen yang dijelaskan
oleh variabel independen dalam one-way between-subjects ANOVA.
Rumus Eta Squared adalah sebagai berikut (Lakens, 2013): (38)
SSantar
η =
SStotal
Rumus Omega Squared adalah sebagai berikut (Lakens, 2013):

SSantar ( )MSdalam
ω = SStotal MSdalam (39)
Sebagaimana dijelaskan pada bagian sebelumnya, variabel
independen dalam one-way between-subjects ANOVA terdiri dari 3
atau lebih kategori, kelompok, atau level perlakuan (k ≥ 3). Uji F di atas
- 215 -
berfungsi untuk menguji hipotesis alternatif yang bersifat dua arah (two-
tailed). Hipotesis kerja satu arah (one-tailed) bisa mengiringi dan
dirancang bersamaan dengan hipotesis dua arah tersebut melalui apa
yang disebut dengan planned atau apriori comparison dan post hoc
comparison. Planned atau apriori comparison dilakukan sebelum
penelitian atau eksperimen dilakukan, sementara post hoc comparison
dilakukan setelah penelitian atau eksperimen dilakukan. Buku ini hanya
membahas planned atau apriori comparison.
−
= (40)
(2)(MSdalam )/
Rumus effect size untuk analisis apriori comparison dalam one-way

between-subjects ANOVA adalah sebagai berikut (Pagano, 2012):
= (41)
dalam
Rumus effect size untuk analisis apriori comparison dalam one-way

between-subjects ANOVA adalah sebagai berikut (Pagano, 2012):
Keterangan rumus (40 & 41):

= Nilai t hitung yang dicari.
= Nilai effect size.
= Rata-rata nilai variabel dependen dalam kelompok/
kategori/level perlakuan pertama.
kategori/level perlakuan berikutnya.
2 = Nilai konstanta.
MSdalam = Mean atau rata-rata kuadrat dalam kelompok.
= Jumlah total subjek penelitian dalam setiap kelompok/
kategori/level perlakuan.
B. Contoh Soal One-Way Between-Subjects ANOVA

Seorang peneliti berminat menyelidiki tingkat kecerdasan atau
IQ pada anak-anak di empat jenis SMP: SMP Internasional, SMP
Rintisan Internasional, SMP Standar Nasional, dan SMP Biasa.
Partisipan atau subjek penelitian yang dilibatkan pada masing-
- 216 -
masing SMP sebanyak 15 orang. Terdapat empat hipotesis kerja yang

diajukan. Hipotesis kerja pertama (Ha1) bersifat dua arah (two-tailed),
yang menyatakan bahwa “tingkat IQ siswa berbeda dilihat dari jenis
SMP”. Hipotesis kerja kedua sampai dengan hipotesis kerja keempat
bersifat satu arah (one-tailed). Hipotesis kedua (Ha2) menyatakan
bahwa “IQ siswa SMP Internasional lebih tinggi dibandingkan IQ
siswa SMP Rintisan Internasional”. Hipotesis kerja ketiga (Ha3)
menyatakan bahwa “IQ siswa SMP Internasional lebih tinggi
dibandingkan IQ siswa SMP Nasional”. Hipotesis kerja keempat (Ha4)
menyatakan bahwa “IQ siswa SMP Internasional lebih tinggi
dibandingkan IQ siswa SMP Biasa”. Masing-masing hipotesis diuji pada
dua taraf signifikansi (α), yaitu 0.05 dan 0.01. Andaikan bahwa dalam
penelitian ini, asumsi-asumsi dalam one-way between-subjects ANOVA
terpenuhi. Setelah melakukan pengetesan IQ pada partisipan di keempat
SMP tersebut, peneliti selanjutnya mendata hasilnya dalam Tabel 30
sebagai berikut:
Tabel 30. IQ Siswa Berdasarkan Empat Jenis SMP.
SMP Rintisan
SMP Internasional SMP Nasional SMP Biasa
Internasional
2 2 2
No X1 X1 No X2 X2 No X3 X3 No X4 X42
1. 130 16900 16. 120 14400 31. 89 7921 46. 80 6400
2. 125 15625 17. 110 12100 32. 100 10000 47. 87 7569
3. 100 10000 18. 99 9801 33. 100 10000 48. 80 6400
4. 99 9801 19. 99 9801 34. 90 8100 49. 100 10000
5. 122 14884 20. 98 9604 35. 90 8100 50. 100 10000
6. 132 17424 21. 87 7569 36. 90 8100 51. 88 7744
7. 111 12321 22. 87 7569 37. 86 7396 52. 86 7396
8. 101 10201 23. 100 10000 38. 86 7396 53. 85 7225
9. 89 7921 24. 100 10000 39. 86 7396 54. 93 8649
10. 98 9604 25. 98 9604 40. 80 6400 55. 92 8464
11. 97 9409 26. 98 9604 41. 99 9801 56. 90 8100
12. 130 16900 27. 86 7396 42. 100 10000 57. 82 6724
13. 120 14400 28. 100 10000 43. 89 7921 58. 81 6561
14. 124 15376 29. 99 9801 44. 105 11025 59. 80 6400
15 134 17956 30. 101 10201 45. 87 7569 60. 81 6561
- 217 -
ΣX1=
1712 ΣX2 = ΣX3 = ΣX32 ΣX4 = ΣX42
n1 M1 = ΣX12 = n2 1482 ΣX22 = 1377 = n4 1305 =
n3 =
= 114.1 198722 = M2 = 147450 M3 = 12712 = M4 = 11419
15
15 33333 15 98.8 91.8 5 15 87 3
3
Ntotal = 60; ΣXtotal= 876; ΣX2total= 587490
Sumber: Penulis.
Berdasarkan data pada Tabel 30 di atas, selanjutnya kita bisa
menghitung nilai jumlah kuadrat total ( ), jumlah kuadrat antar-
kelompok ( ), dan jumlah kuadrat dalam-kelompok ( )
sebagai berikut:
Hasil penghitungan jumlah kuadrat di atas selanjutnya

dikompilasi ke dalam Tabel 31 sebagai berikut:
Kuadrat, dan Mean Kuadrat untuk Menentukan Signifikansi Pengaruh
Jenis SMP terhadap IQ Siswa.
Derajat
Sumber Mean Kuadrat
bebas Jumlah Kuadrat (SS) Fhitung Ftabel & Sig.
Variasi (MS)
(db)
Ftabel = 2.769
( .05);
Ftabel = 4.152
k 1= = ( .01);
Antar
Kelompok 4 1= Fhitung > Ftabel;
3 = Fhitung =
= signifikan;
2101.7333322
Ha
diterima.
- 218 -
Ntotal k
Dalam
Kelompok = 60 4
= 56
102.2952387
Ntotal 1
=
Total
60 1
= 59
Keterangan. Sig. = signifikansi nilai Fhitung.
Mengacu pada Tabel 31 di atas, untuk menguji signifikansinya,

nilai F hitung sebesar 20.546 dibandingkan dengan nilai F tabel.
Derajat bebas (db) yang dijadikan patokan adalah, pertama, db antar-
kelompok sebesar 3 dan db dalam-kelompok sebesar 56. Kedua adalah,
sesuai dengan contoh soal, taraf signifikansi 0.05 dan 0.01. Dalam Tabel
A.3 di Lampiran (Nilai F tabel pada taraf signifikansi 0.05) dan Tabel A.4
(Nilai F tabel pada taraf signifikansi 0.01) di Lampiran, tidak terdapat
nilai F tabel yang presisi dengan db antar-kelompok sebesar 3 dan db
dalam-kelompok sebesar 56. Sebagai alternatifnya, kita bisa
menggunakan kalkulator online di https://www.danielsoper.com/
statcalc/calculator.aspx?id=4 (Soper, 2022)
Menggunakan kalkulator online tersebut, dengan memasukkan
Degrees of freedom 1 = 3, Degrees of freedom 2 = 56, dan Probability
level = 0.05, nilai F tabel = 2.769. Dengan Probability level = 0.01, nilai F
tabel = 4.152. Karena nilai F hitung (= ) lebih besar dari F tabel
baik pada taraf signifikansi 0.05 (= 2.769) maupun 0.01 (= 4.152),
hipotesis kerja pertama (Ha1) dengan demikian bisa diterima.
Untuk mengetahui persentase pengaruh variabel independen
jenis SMP terhadap variabel dependen tingkat IQ siswa, kita
menggunakan rumus Eta Squared untuk one-way between-subjects
ANOVA sebagai berikut (Lihat rumus 38):
- 219 -
Mengacu pada hasil Eta Squared di atas, persentase pengaruh

variabel independen jenis SMP terhadap variabel dependen tingkat
IQ siswa adalah 52.4 persen.
Sebagai alternatif, kita juga bisa menggunakan rumus Omega
Squared sebagai berikut (Lihat rumus 39):
Mengacu pada hasil Omega Squared di atas, persentase pengaruh

variabel independen jenis SMP terhadap variabel dependen tingkat IQ
siswa adalah 49.4 persen.
Untuk menguji hipotesis kedua sampai dengan keempat,
serangkaian analisis apriori comparison berikut ini dilakukan melalui
beberapa prosedur matematis. Pertama adalah analisis apriori compa-
rison untuk membandingkan IQ siswa SMP Internasional dan SMP
Rintisan Internasional. Hasilnya adalah sebagai berikut (Lihat rumus
40):
Kedua adalah analisis apriori comparison untuk membandingkan

IQ siswa SMP Internasional dan SMP Nasional. Hasilnya adalah sebagai
berikut:
- 220 -
Ketiga adalah analisis apriori comparison untuk membandingkan

IQ siswa SMP Internasional dan SMP Biasa. Hasilnya adalah sebagai
berikut:
Masing-masing nilai t hitung di atas, untuk menguji

signifikansinya, dibandingkan dengan nilai t tabel dengan derajat bebas
(db) = 28 (= ni + nj – 2 = 15 + 15 – 2). Dengan db = 28, nilai t tabel atas
dasar taraf signifikansi (α) = 0.05 adalah 1.699, dan nilai t tabel atas dasar
taraf signifikansi (α) = 0.01 adalah 2.462 (Lihat Tabel A.2 di Lampiran).
Karena nilai t hitung apriori comparison di atas semuanya lebih besar
dari nilai t tabel baik pada taraf signifikansi 0.05 maupun 0.01, maka
hipotesis kerja kedua sampai dengan keempat diterima.
Prosedur selanjutnya adalah menghitung effect size nilai t hitung
dari masing-masing apriori comparison. Effect size perbandingan
antara SMP Internasional dan SMP Rintisan Internasional adalah
sebagai berikut (Lihat rumus 41):
Effect size perbandingan antara SMP Internasional dan SMP

Nasional adalah sebagai berikut:
Effect size perbandingan antara SMP Internasional dan SMP

Biasa adalah sebagai berikut:
- 221 -
Bisa disimpulkan bahwa effect size t hitung masing-masing

apriori comparison di atas termasuk sangat besar (> .80).
C. Pengerjaan Contoh Soal One-Way Between-Subjects ANOVA

Menggunakan JASP
soal pertama one-way between-subjects ANOVA menggunakan JASP.
Data mentah contoh soal pertama one-way between-subjects ANOVA
ini bisa diunduh dalam format CSV di OSF dengan link:
https://bit.ly/OneWayBetweenSubjectsANOVA
Input data dalam bentuk skala nominal teks Jenis Sekolah (X) dan
skala interval untuk IQ (Y).

- 222 -

mengeklik open.
Langkah 4. Menjalankan JASP dengan mengatur atau menetap-kan

Jenis Sekolah (X) sebagai variabel berskala nominal teks dan IQ (Y)
sebagai variabel berskala interval (scale).
- 223 -
Langkah 5. Mengganti urutan kelompok dalam variabel X

dengan mengarahkan kursor ke Jenis Sekolah (X) sampai muncul
pesan Click here to change labels. Memakai tombol di sebelah kanan
Move selected labels up atau Move selected labels down untuk
menggeser label SMP Internasional sebagai nomor urut pertama,
SMP Rintisan Internasional nomor urut kedua, SMP Nasional nomor
urut ketiga, dan SMP biasa nomor urut keempat.
Langkah 6. Memilih menu ANOVA dan selanjutnya memilih

submenu ANOVA(Classical).
- 224 -
Langkah 7. Memindahkan variabel IQ (Y) dari Kotak ANOVA

ke Kotak Dependent Variable dan Jenis Sekolah (X) dari Kotak
ANOVA ke Kotak Fixed Factors. Di bawah menu Display,
mencentang opsi Descriptive statistics, Estimate of effect size memilih
opsi η2 (Eta Squared) dan ω2 (Omega Squared).

- 225 -
Langkah 9. Sebagai tindak-lanjut Langkah 6, klik menu Contrasts di

bawah menu Assumption Checks. Pilih opsi custom. Menspesifikasi
Contrast 1 dengan menandai SMP Internasional = 1, SMP Rintisan
Internasional = -1, SMP Nasional dan SMP biasa = 0. Menambahkan
Contrast 2 dengan menandai SMP Internasional = 1, SMP Rintisan
Internasional = 0, SMP Nasional = -1, dan SMP biasa = 0. Menam-
bahkan Contrast 3 dengan menandai SMP Internasional = 1, SMP
Rintisan Internasional = 0, SMP Nasional = 0, dan SMP biasa = -1.

- 226 -
Laporan hasil contoh soal one-way between-subjects ANOVA

Analisis one-way between-subjects ANOVA menunjukkan bahwa,
mendukung hipotesis pertama (Ha1), jenis SMP berpengaruh signifikan
terhadap IQ siswa, F(3, 56) = 20.55, p < .001, Eta Squared (η2) = 0.52.
Hasil berikutnya menunjukkan, mendukung hipotesis kedua
(Ha2), IQ siswa di SMP internasional (M = 114.13, SD = ) lebih
tinggi secara signifikan dibandingkan IQ siswa di SMP rintisan
internasional (M = 98.8, SD = ), t(28) = 4.15, p < .001, d = 1.52.
Hipotesis ketiga (Ha3) juga diterima karena IQ siswa di SMP
internasional (M = 114.13, SD = ) lebih tinggi secara signifikan
dibandingkan IQ siswa di SMP nasional (M = 91.8, SD = ), t(28)
= 6.05, p < .001, d = 2.21. Terakhir, sesuai dengan hipotesis keempat
(Ha4), IQ siswa di SMP internasional (M = 114.13, SD = 8.57) lebih
tinggi secara signifikan dibandingkan IQ siswa di SMP biasa (M = 87,
SD = ), t(28) = , p < .001, d = 2.68.
Dalam laporan di atas, nilai p mengacu pada hasil JASP (hasil
Langkah 8 dan Langkah 10). Sementara itu, nilai deviasi standar (SD)
= , 8.57, dan secara manual bisa dihitung
menggunakan rumus sebagai berikut:
- 227 -
D. Uji Asumsi Contoh Soal One-Way Between-Subjects ANOVA

Uji asumsi dalam one-way between-subjects ANOVA adalah,
pertama, variabel dependen harus terdistribusi secara normal dalam
masing-masing kelompok, kategori, atau level perlakuan variabel
independen (Goss-Sampson, 2020). Untuk menguji asumsi ini,
langkahnya adalah mengeklik menu Descriptives dan memindahkan
IQ (Y) dari kotak Descriptive Statistics ke kotak Variables serta Jenis
Sekolah (X) dari kotak Descriptive Statistics ke kotak Split. Mengeklik
menu Statistics dan mencentang opsi Shapiro-Wilk Test.
- 228 -
Nilai p Shapiro-Wilk untuk variabel IQ pada siswa di SMP

Internasional (= 0.070) dan SMP Nasional (= 0.093) adalah tidak
signifikan karena lebih besar dari 0.05. Nilai p Shapiro-Wilk untuk
variabel IQ pada siswa di SMP Biasa (= 0.047) dan SMP Rintisan
Internasional (= 0.014) adalah signifikan karena lebih kecil dari 0.05.
Kesimpulannya, variabel IQ pada siswa di SMP Internasional dan
SMP Nasional terdistribusi secara normal, sementara variabel IQ
pada siswa di SMP Biasa dan SMP Rintisan Internasional tidak
- 229 -
Asumsi kedua adalah homogenitas varians. Untuk menguji

asumsi kedua ini, langkahnya adalah mengeklik menu ANOVA, ANOVA
(classical). Langkah berikutnya memidahkan IQ (Y) dari kotak ANOVA
ke kotak Dependent Variable dan Jenis Sekolah dari kotak ANOVA ke
kotak Fixed Factors. Langkah terakhir adalah mengeklik menu
Assumption Checks dan mencentang opsi Homogeneity tests.
Hasil Levene’s test menunjukkan bahwa variansi skor IQ pada

empat jenis sekolah SMP (biasa, nasional, rintisan internasional, dan
internasional) tidak homogen karena nilai F(3, 56) = 10.015 adalah
signifikan, p < .001 (Goss-Sampson, 2020).
Karena asumsi normalitas dan homogenitas varians tidak
terpenuhi, alternatif yang bisa dilakukan adalah mengganti one-way
between-subjects ANOVA dengan padanan nonparametriknya, yaitu
Kruskal-Wallis Test yang tidak mensyaratkan terpenuhinya dua
asumsi tersebut (Mashuri, 2022b).
- 230 -
BAB 14
Uji Perbedaan One-Way
Repeated Measures Anova
A. Pengantar One-Way Repeated Measures ANOVA

One-way repeated measures ANOVA, yang disebut juga sebagai
one-way within-subjects ANOVA merupakan salah satu bentuk tes
univariat dalam statistika parametrik uji beda. Sama seperti
independent samples t-test, paired samples t-test, dan one-way
between-subjects ANOVA, one-way repeated measures ANOVA
berfungsi untuk menguji perbedaan sebuah variabel dependen atas
dasar satu variabel independen. Tetapi berbeda dengan independent
samples t-test dan paired samples t-test, variabel independen dalam
one-way repeated measures ANOVA, sama seperti one-way between-
subjects ANOVA, memiliki variasi dua atau lebih dari dua kelompok
atau kategori. Variabel dependen dalam one-way repeated measures
ANOVA, seperti dalam independent samples t-test, paired samples t-
test, dan one-way between-subjects ANOVA, harus berskala interval
atau rasio. Variabel independen dalam one-way repeated measures
ANOVA, sama seperti one-way between-subjects ANOVA, bersifat
nominal politomi (terdiri dari tiga atau lebih kategori kualitatif)
(Verma, 2015).
- 231 -
Istilah ‘one-way’, sama seperti one-way between-subjects

ANOVA, dalam one-way repeated measures ANOVA, mengandung
arti pengujian terhadap satu variabel independen. Istilah ‘repeated
measures’ dalam one-way repeated measures ANOVA mengandung
arti variasi kelompok, perlakuan, atau kategori yang berjumlah lebih
dari dua diisi oleh atau diberikan kepada subjek penelitian yang sama
(Verma, 2015).
Asumsi-asumsi dalam one-way repeated measures ANOVA
hampir sama dengan asumsi-asumsi dalam one-way between-subjects
ANOVA. Asumsi-asumsi tersebut mencakup variabel dependen yang
harus terdistribusi normal dalam masing-masing kategori atau level
variabel independen. Asumsi kedua mensyarakatkan terpenuhinya
homogenitas varians variabel dependen dalam masing-masing
kategori atau level variabel independen. Dalam one-way repeated
measures ANOVA, asumsi homogenitas varians tersebut diberi istilah
sphericity (Field, 2019).
Tabel 32 di bawah ini merinci prosedur matematis uji F one-way
repeated measures ANOVA untuk menentukan signifikansi
perbedaan variabel dependen dalam lebih dari dua kategori,
kelompok, atau level perlakukan variabel independen (Field, 2019).
Tabel 32. Sumber Variasi, Derajat Bebas, Jumlah Kuadrat,
dan Mean Kuadrat untuk Menentukan Signifikansi Uji Perbedaan One-Way
Repeated Measures ANOVA.
Mean
Sumber Derajat Jumlah Ftabel
Kuadrat Fhitung
Variasi bebas (db) Kuadrat (SS) & Sig.
(MS)
Fhitung > Ftabel
subjek
= Ha
( )
=∑ = diterima.
Subjek Np − 1
subjek Fhitung < Ftabel
(∑ total )
− dbsubjek = Ha
total
ditolak.
SSantar
( ) antar
Antar =∑ =
k−1 MSantar
Kelompok SSantar =
(∑ total ) dalam
− dbantar
total
- 232 -
SSdalam
MSdalam
Dalam (Np − 1)(Nk = SStotal
SSdalam
Kelompok − 1) − SSsubjek =
dbdalam
− SSantar
SStotal
= total
Total Ntotal − 1
(∑ total )
−
total
Keterangan: Sig. = signifikansi nilai Fhitung.
Bila kita cermati, pada dasarnya penghitungan rumus one-way

repeated measures ANOVA hampir identik dengan one-way between-
subjects ANOVA. Hanya saja, ada satu komponen penghitungan baru
yang tidak ada dalam one-way between-subjects ANOVA, yaitu sumber
variasi subjek. Derajat bebas (db) dari sumber variasi subjek adalah Np
– 1, di mana Np adalah jumlah keseluruhan subjek, sementara k adalah
jumlah kelompok, kategori, atau perlakuan dalam variabel independen.
Selanjutnya, dalam rumus jumlah kuadrat subjek ( subjek ), ΣXp
merupakan jumlah total nilai skor pada masing-masing subjek dan np
merupakan jumlah perlakuan atau treatments yang diterima oleh
masing-masing subjek. Dalam rumus jumlah kuadrat antar-kelompok
( SSantar ), ΣXk adalah jumlah total nilai skor pada masing-masing
perlakuan. Sementara itu, nk adalah jumlah observasi pada masing-
masing perlakuan.
Generalized Eta Squared adalah salah satu rumus untuk
menghitung persentase pengaruh variabel independen terhadap
variabel dependen dalam uji perbedaan one-way repeated measures
ANOVA atau one-way within-subjects ANOVA, yang disajikan
sebagai berikut (Olejnik & Algina, 2003):
η2 = SStotal (42)

η = Koefisien Generalized Eta Squared yang dicari.
SSantar = Jumlah Kuadrat pada sumber variasi subjek.
SStotal = Jumlah Kuadrat total.
- 233 -
Persentase pengaruh variabel independen terhadap variabel dependen

dalam uji perbedaan one-way repeated measures ANOVA juga bisa dihitung
menggunakan formula Omega Squared sebagai berikut (Field, 2019):
k-1
( − )
ω =
− −1
+ + ( − ) (43)

ω = Koefisien Omega Squared yang dicari.
MSantar = Rata-rata kuadrat sumber variasi antar-kelompok.
MSdalam = Rata-rata kuadrat sumber variasi dalam-kelompok.
MSsubjek = Rata-rata kuadrat sumber variasi subjek.
nk = Jumlah observasi pada masing-masing perlakuan.
k = Jumlah kelompok, kategori, atau perlakuan dalam variabel
independen.
Analisis planned atau apriori comparison selanjutnya dilakukan

sebelum penelitian atau eksperimen dilakukan. Formula atau rumus
apriori comparison dalam one-way repeated measures ANOVA adalah
sebagai berikut (Pagano, 2012):
=
( )( )/ (44)

= Rata-rata nilai varibel dependen dalam kelompok/
kategori/level perlakuan pertama.
= Rata-rata nilai varibel dependen dalam kelompok/
kategori/level perlakuan berikutnya.
MSdalam = Mean atau rata-rata kuadrat dalam-kelompok.
2= Nilai konstanta.
= Jumlah pasangan skor.
- 234 -
Rumus effect size untuk apriori comparison dalam one-way

repeated measures ANOVA adalah sebagai berikut (Field, 2019):
(45)
=
+

= Effect size yang dicari.
t = Nilai t hitung apriori comparison.
dbdalam = Derajat bebas dalam-kelompok.
B. Contoh Soal One-Way Repeated Measures ANOVA

Seorang dosen tertarik meneliti pengaruh latihan pengerjaan soal
terhadap nilai mata kuliah pengantar statistika. Untuk menguji
idenya tersebut, sang dosen melakukan eksperimen dengan
rancangan one-way repeated measures ANOVA. Dalam rancangan
eksperimennya ini, 10 mahasiswa yang sedang menempuh mata
kuliah pengantar statistika yang dia ampu diberikan tiga jenis
perlakuan: (1) perlakuan tanpa-latihan (perlakuan 1), (2) perlakuan
dengan 50% latihan (perlakuan 2), dan (3) perlakuan dengan 100%
latihan (perlakuan 3). Perlakuan dengan 50% latihan dijalankan
dengan cara memberikan mahasiswa latihan pengerjaan terhadap
50% soal-soal mengenai materi statistika yang sedang diajarkan
sementara perlakuan dengan 100% latihan dijalankan dengan cara
memberikan mahasiswa latihan pengerjaan terhadap semua soal
mengenai materi yang sedang diajarkan. Diasumsikan bahwa tingkat
kesulitan materi pengantar statistika yang diberikan dalam masing-
masing perlakuan adalah sama.
Pengukuran nilai hasil belajar mata kuliah pengantar statistika
diberikan pada tes Kuiz. Tes Kuiz I dilakukan untuk menguji
efektivitas perlakuan 1, Kuiz II efektivitas perlakuan 2, dan Kuiz III
efektivitas perlakuan 3. Terdapat empat hipotesis kerja yang diajukan.
Hipotesis kerja pertama (Ha1) bersifat dua arah (two-tailed), yang
- 235 -
menyatakan bahwa “latihan pengerjaan soal berpengaruh signifikan

terhadap nilai mata kuliah statistika mahasiswa”. Hipotesis kerja kedua
sampai dengan hipotesis kerja keempat bersifat satu arah (one-tailed).
Hipotesis kedua (Ha2) menyatakan bahwa “nilai mata kuliah statistika
mahasiswa yang diberi pengajaran tanpa latihan lebih rendah
dibandingkan mahasiswa yang diberi pengajaran dengan 100% latihan”.
Hipotesis kerja ketiga (Ha3) menyatakan bahwa “nilai mata kuliah
statistika mahasiswa yang diberi pengajaran tanpa latihan lebih rendah
Hipotesis kerja keempat (Ha4) menyatakan bahwa “nilai mata kuliah
statistika mahasiswa yang diberi pengajaran 50% latihan lebih rendah
Hipotesis pertama diuji pada taraf signifikansi (α) = 0.01, sementara
Hipotesis ketiga sampai dengan hipotesis keempat diuji pada taraf
signifikansi (α) = 0.05. Andaikan bahwa dalam penelitian ini, asumsi-
asumsi one-way repeated measures terpenuhi. Data hasil penelitian
disajikan dalam Tabel 33 sebagai berikut:
Tabel 33. Nilai Mata Kuliah Statistika Berdasarkan Bentuk Pengajaran.
Perlakuan 1 Perlakuan 2 Perlakuan 3 Total

Subjek
2 2 2
X1a X1a X1b X1b X1c X1c X Subjek
1. 6 36 7 49 8 64 21
2. 7 49 7 49 9 81 23
3. 6 36 7 49 8 64 21
4. 6 36 8 64 7 49 21
5. 7 49 8 64 9 81 24
6. 5 25 8 64 8 64 21
7. 6 36 6 36 8 64 20
8. 6 36 6 36 9 81 21
9. 5 25 5 25 8 64 18
10. 5 25 6 36 9 81 20
- 236 -
ΣX1a ΣX1a2 = ΣXab ΣX1b2 ΣX1c ΣX1c2 = ΣXSubjek

= 59 353 = 68 = 472 = 83 693 = 210
ΣXtotal = 210; ΣX2total = 1518
Keterangan. Perlakuan 1 = pengajaran tanpa latihan; Perlakuan 2 = pengajaran

dengan 50% latihan; Perlakuan 3 = pengajaran dengan 100% latihan.
Sumber: Penulis.
Mengacu pada data dalam Tabel 33 di atas, langkah pertama

adalah menentukan nilai jumlah kuadrat total (SStotal), jumlah kuadrat
subjek (SSsubjek), jumlah kuadrat antar-kelompok (SSantar), dan jumlah
kuadrat dalam-kelompok (SSdalam). Prosedur matematisnya adalah
sebagai berikut:
(∑ total ) (210)
SStotal = total − = 1518 − = 48
total 30
( ) (∑ total )
subjek =∑ −
total
subjek
(21) + (23) + (21) + (21) + (24) + (21) + (20) + (21) + (18) + (20)
= -
3
(210)
30
subjek = 1478 − 1470 = 8.00
( ) (∑ total )
(59) + (68) + (83) (210)
SSantar = ∑ − = −
total 10 30
= 1499.400 − 1470 = 29.4
SSdalam = SStotal − SSsubjek − SSantar = 48.00 − 8.00 − 29.400 = 10.600
Hasil penghitungan di atas selanjutnya dikompilasi ke dalam

Tabel 34 berikut.
Tabel 34. Hasil Penghitungan Sumber Variasi, Derajat Bebas, Jumlah Kuadrat,
dan Mean Kuadrat untuk Menentukan Signifikansi Pengaruh Latihan Soal
terhadap Nilai Statistika.
- 237 -
Mean
Sumber Derajat Jumlah
Kuadrat Fhitung Ftabel & Sig.
Variasi bebas (db) Kuadrat (SS)
(MS)
=
subjek
Np − 1 SSsubjek
Subjek dbsubjek
=10 −1= 9 = 8.00
8.00
=
9
= 0.8889
antar
Ftabel = 10.39
=
SSantar =
MSantar
= (α = 0.01);
Antar k–1=3−1 SSantar = dalam
dbantar 14.700 Fhitung > Ftabel
Kelompok =2 = 29.4
. . = Ha
= 24.962 diterima.
= 14.700
MSdalam
(Np − 1)(Nk SSdalam
− 1) = =
Dalam SSdalam dbdalam
Kelompok = (9)(2) = 10.600 10.600
=18 18
= 0.5889
Ntotal – 1
Total = 30 −1 SStotal = 48
= 29
Keterangan: Sig. = signifikansi nilai Fhitung.

Sumber: Penulis.
Mengacu data dalam Tabel 34 di atas, nilai F hitung = 24.962.

Dengan derajat bebas (db) antar-kelompok = 2, db dalam-kelompok
= 18, dan taraf signifikansi (α) = 0.001, nilai F tabel adalah 10.39 (Lihat
Tabel A.5 di Lampiran). Karena nilainya lebih besar dibandingkan
nilai F tabel (= 10.39), F hitung (= 24.962) dinyatakan signifikan dan
hal ini berimplikasi pada diterimanya hipotesis pertama (Ha1).
Pengaruh latihan soal terhadap nilai statistika mahasiswa meng-
gunakan Generalized Eta Squared (Lihat rumus 42) adalah 61 persen:
29.4
η = = = 0.61
SStotal 48
- 238 -
Pengaruh latihan soal terhadap nilai statistika mahasiswa

menggunakan Omega Squared (Lihat rumus 43) adalah 58 persen:
k-1
( − )
ω =
− −1
+ + ( − )
( . . ) .
30
ω = . . = = 0.58
. ( . . ) .
Planned atau apriori comparison digunakan untuk menguji

hipotesis kedua sampai dengan keempat. Analisis apriori comparison
pertama membandingkan nilai statistika pada mahasiswa yang
diberikan pengajaran tanpa latihan soal dan mahasiswa yang diberi
100% latihan soal, dengan hasil sebagai berikut:
− 5.9 − 8.3
= = =
(2)( )/ (2)(0.5889)/10
−2.4 −2.4
= = = −6.99 |6.99|
√0.1178 0.34322
Analisis apriori comparison kedua membandingkan nilai
statistika pada mahasiswa yang diberikan pengajaran tanpa latihan
soal dan mahasiswa yang diberi 50% latihan soal, dengan hasil sebagai
berikut:
− 5.9 − 6.8
= = =
(2)( )/ (2)(0.5889)/10
−0.9
= = −2.622 |2.622|
0.34322
- 239 -
Analisis apriori comparison ketiga membandingkan nilai statistika

pada mahasiswa yang diberi 50% latihan soal dan mahasiswa yang diberi
100% latihan soal, dengan hasil sebagai berikut:
− 6.8 − 8.3
= = =
(2)( )/ (2)(0.5889)/10
−1.5
= = −4.38 |4.38|
0.34322
Untuk menentukan signifikansinya, masing-masing nilai t

hitung di atas dibandingkan dengan niai t tabel. Dengan derajat bebas
(db) sebesar N –1 atau 10 –1 = 9 dan level signifikansi 0.05 (hipotesis
satu arah atau one-tailed), nilai t tabel adalah 1.833 (Lihat Tabel A.2
di Lampiran). Nilai t hitung (= 6.99) perbandingan nilai statistika
pada mahasiswa yang diberi pengajaran tanpa latihan soal dan
pengajaran dengan 100% latihan soal dan nilai t hitung (= 2.622)
perbandingan nilai statistika pada mahasiswa yang tidak diberi
pelatihan soal dan mahasiswa yang diberi pengajaran dengan 50%
latihan soal adalah signifikan. Demikian juga dengan nilai t hitung
perbandingan nilai statistika pada mahasiswa yang diberi 50% latihan
soal dan mahasiswa yang diberi 100% latihan soal (= 4.37). Hal ini
disebabkan karena dua nilai t hitung tersebut lebih besar dari nilai t
tabel (= 1.833). Dengan demikian, hipotesis kedua (Ha2), hipotesis
ketiga (Ha3), dan hipotesis keempat (Ha4) diterima.
Effect size untuk apriori comparison (Lihat rumus 45) yang
membandingkan nilai statistika pada mahasiswa yang diberikan
pengajaran tanpa latihan soal dan mahasiswa yang diberi 50% latihan
soal dihitung sebagai berikut:
6.99 48.8601
= = =
+ 6.99 + 18 48.8601 + 18
= √0.731 = 0.855
- 240 -
Effect size untuk apriori comparison yang membandingkan nilai

statistika pada mahasiswa yang diberikan pengajaran tanpa latihan soal
dan mahasiswa yang diberi 50% latihan soal dihitung sebagai berikut:
2.622 6.875
= = =
+ 2.622 + 18 6.875 + 18
= √0.2764 = 0.526
Effect size untuk apriori comparison yang membandingkan nilai

statistika pada mahasiswa yang diberi 50% latihan soal dan mahasiswa
yang diberi 100% latihan soal dihitung sebagai berikut:
4.38 19.1844
= = =
+ 4.38 + 18 19.1844 + 18
= √0.51593 = 0.71
C. Pengerjaan Contoh Soal One-Way Repeated Measures

ANOVA Menggunakan JASP
soal one-way repeated measures ANOVA menggunakan JASP. Data
mentah atau contoh soal one-way repeated measures ANOVA ini bisa
diunduh dalam format CSV di OSF dengan link:
https://bit.ly/OneWayWithinSubjectsANOVA.
Input data dalam bentuk skala interval untuk Perlakuan 1 (X1a),
Perlakuan 2 (X1b), dan Perlakuan 3 (X1c).
- 241 -


mengeklik open.
- 242 -

menetapkan Perlakuan 1 (X1a), Perlakuan 2 (X1b), dan Perlakuan 3
(X1c) sebagai variabel berskala interval (scale).

submenu Repeated Measures ANOVA (Classical).
- 243 -
Langkah 6. di bawah kotak menu Repeated Measures Factors,

mengganti RM Factor 1 dengan label Latihan Soal dan mengganti
Level 1 dengan label Tanpa Latihan, Level 2 dengan label 50% Latihan,
dan Level 3 dengan label 100% Latihan. Menggeser Perlakuan 1 (X1a),
Perlakuan 2 (X1b), dan Perlakuan 3 (X1c) dari Kotak Repeated Measures
ANOVA ke Kotak Repeated Measures Cells. Di bawah menu Display,
mencentang opsi Descriptive statistics dan Estimates of effect size
(memilih opsi general η2 dan ω2).
- 244 -

Langkah 8. Sebagai tindak-lanjut Langkah 6, klik menu Contrasts

di bawah menu Assumption Checks. Pilih opsi custom.
Menspesifikasi Contrast 1 dengan menandai Tanpa Latihan = 1, 50%
Latihan = 0, 100% Latihan = -1. Menambahkan Contrast 2 dengan
menandai Tanpa Latihan = 1, 50% Latihan = -1, 100% Latihan = 0.
Menambahkan Contrast 3 dengan menandai Tanpa Latihan = 0, 50%
Latihan = 1, 100% Latihan = -1.
- 245 -

Laporan hasil pengerjaan contoh soal one-way within-subjects

menurut kaidah APA edisi 7
Analisis one-way repeated measures ANOVA menunjukkan
bahwa, mendukung hipotesis pertama (Ha1), latihan soal berpengaruh
signifikan terhadap nilai statistika mahasiswa, F(2, 18) = 24.96, p < .001,
Omega Squared (ω ) = .58. Hasil berikutnya menunjukkan, mendukung
- 246 -
hipotesis kedua (Ha2), nilai statistika pada mahasiswa yang diberikan

pengajaran tanpa latihan soal (M = 5.9, SD = 0.74) lebih rendah secara
signifikan dibandingkan dengan nilai statistika mahasiswa yang diberi
100% latihan soal (M = 8.3, SD = 0.68), t(9) = 6.99, p < .001, r = .86.
Hipotesis ketiga (Ha3) diterima karena nilai mata kuliah statistika
mahasiswa yang diberi pengajaran tanpa latihan soal (M = 5.9, SD = 0.74)
secara signifikan lebih rendah dibandingkan mahasiswa yang diberi
pengajaran dengan 50% latihan soal (M = 6.8, SD = 1.03), t(9) = 2.622, p
= .017, r = .53. Terakhir, sesuai dengan hipotesis keempat (Ha4), nilai mata
kuliah statistika mahasiswa yang diberi pengajaran 50% latihan soal (M =
6.8, SD = 1.03 ) lebih rendah dibandingkan mahasiswa yang diberi
pengajaran dengan 100% latihan soal (M = 8.3, SD = 0.68), t(9) = 4.38,
p < .001, r = .71.
Dalam laporan di atas, nilai p diperoleh dari JASP (Lihat Langkah 7
pengerjaan contoh soal one-way repeated measures ANOVA
menggunakan JASP). Sementara itu, nilai deviasi standar (SD) secara
manual bisa dihitung menggunakan rumus sebagai berikut:
(∑ 1) (59)
∑ 1 − 353 −
= 1 = 10
1−1 9
= √0.54444 = 0.74
(∑ 2) (68)
∑ 2 − 2 = 472 − 10
=
2−1 9
= √1.06667 = 1.03
(∑ 3) (83)
∑ 3 − 693 −
= 3 = 10
3−1 9
= √0.45556 = 0.68
- 247 -
D. Uji Asumsi Contoh Soal One-Way Repeated Measures

ANOVA
Uji asumsi dalam one-way ANOVA adalah, pertama, variabel
dependen harus terdistribusi secara normal dalam masing-masing
kelompok, kategori, atau level perlakuan variabel independen yang
diberikan secara berulang kepada kelompok responden yang sama
(Goss-Sampson, 2020). Untuk menguji asumsi ini, langkahnya adalah
menglik menu Descriptives dan memindahkan Perlakuan 1 (X1a),
Perlakuan 2 (X1b), dan Perlakuan 3 (X1c) dari kotak Descriptive
Statistics ke kotak Variables. Mengklik menu Statistics dan mencentang

- 248 -
Nilai p Shapiro-Wilk untuk Perlakuan 1 (X1a) (= 0.036) dan

Perlakuan 3 (X1c) (= 0.015) adalah signifikan karena lebih kecil dari
0.05. Nilai p Shapiro-Wilk untuk Perlakuan 2 (X1b) (= 0.191) adalah
tidak signifikan karena lebih besar dari 0.05. Kesimpulannya
Perlakuan 1 (X1a) dan Perlakuan 3 (X1c) tidak terdistribusi secara
normal, sementara Perlakuan 2 (X1b) terdistribusi secara normal
Asumsi kedua adalah sphericity. Untuk menguji asumsi kedua ini,
langkahnya adalah mengeklik menu ANOVA, Repeated Measures
ANOVA (classical). Langkah berikutnya, di bawah kotak Repeated
Measures Factors, adalah mengganti label RM Factor 1 dengan label
Perlakuan dan mengisi level 1 dengan label satu, level 2 dengan label dua,
dan level 3 dengan label tiga. Memindahkan Perlakuan 1 (X1a) ,
Perlakuan 2 (X1b), dan Perlakuan 3 (X1c) dari kotak Repeated Measures
ANOVA ke kotak Repeated Measures Cells. Mengklik menu
Assumption Chekcs dan mencentang opsi Sphericity tests.

- 249 -
Hasil Levene’s test menunjukkan bahwa variansi skor IQ pada

tiga jenis perlakuan (tanpa latihan soal, 50% latihan soal, 100% latihan
soal) tidak homogen karena nilai F(3, 56) = 10.015 adalah signifikan, p <
.001 (Goss-Sampson, 2020). Karena asumsi normalitas dan homogenitas
varians tidak terpenuhi, alternatif yang bisa dilakukan adalah mengganti
one-way between-subjects ANOVA dengan padanan nonparametriknya,
yaitu Kruskal-Wallis Test yang tidak mensyaratkan terpenuhinya dua
- 250 -
BAB 15
Uji Perbedaan Two-Way
Between-Subjects Anova
A. Pengantar Two-Way Between-Subjects ANOVA

Dalam two-way between-subjects ANOVA, istilah ‘two-way’
menunjuk pada dua variabel independen yang peran atau
pengaruhnya diuji terhadap sebuah variabel dependen. Dengan
melibatkan dua variabel independen, istilah two-way juga disebut
sebagai faktorial (factorial). Two-way between-subjects ANOVA
dengan demikian disebut juga sebagai factorial between-subjects
ANOVA. Kategori, kelompok, atau level perlakuan dalam masing-
masing variabel independen bisa dua (nominal dikotomi) atau lebih
dari dua (nominal politomi). Istilah ‘between-subjects’ menunjuk
pada kategori, kelompok, atau level perlakuan dalam masing-masing
variabel independen yang diisi oleh sampel atau subjek penelitian
yang berbeda (Coolican, 2014).
Two-way between-subjects ANOVA juga termasuk sebagai uji
perbedaan univariat karena hanya melibatkan satu variabel
dependen. Sebagai statistika parametrik, variabel dependen dalam
two-way between-subjects ANOVA diukur dalam skala interval atau
rasio. Dalam two-way atau factorial between-subjects ANOVA,
- 251 -
terdapat dua jenis peran atau pengaruh dua variabel independen

terhadap sebuah variabel dependen. Pengaruh pertama disebut
sebagai main effect, yaitu pengaruh masing-masing variabel
independen terhadap sebuah variabel dependen. Pengaruh kedua
adalah interaction effect, yang merefleksikan sejuah mana pengaruh
sebuah variabel independen terhadap sebuah variabel dependen
tergantung pada level atau kategori variabel independen lainnya.
Interaction effect dinyatakan dalam hipotesis dua-arah (two-tailed).
Untuk melakukan probing terhadap interaction effect, JASP
menyediakan fitur atau menu simple main effects. Probing terhadap
interaction effect via simple main effects ini dilakukan untuk menguji
hipotesis satu-arah (one-tailed) dalam interaction effect (Goss-
Sampson, 2019; Gravetter dkk., 2020).
Two-way between-subjects ANOVA memiliki beberapa asumsi
yang sama dengan one-way between-subjects ANOVA. Asumsi pertama,
variabel dependen harus terdistribusi normal dalam masing-masing
kategori, kelompok, atau level variabel independen. Asumsi kedua,
homogenitas varians (homogeneity of variance) harus terpenuhi, yaitu
varians variabel dependen dalam masing-masing kategori atau level
variabel independen adalah sama (Herzog dkk., 2019).
Tabel 35 di bawah ini merinci prosedur matematis uji F two-way
between-subjects ANOVA untuk menentukan signifikansi peran atau
pengaruh dua variabel independen dan interaksinya terhadap sebuah
variabel dependen (Gravetter dkk., 2020).

Mean Kuadrat untuk Menentukan Signifikansi Uji Perbedaan Two-
Way Between-Subjects ANOVA
Derajat Mean
Sumber Jumlah
bebas Kuadrat Fhitung Ftabel & Sig.
Variasi Kuadrat (SS)
(db) (MS)
- 252 -
F hitung > F
SSantar1
(∑ ) tabel = Ha
MSantar1 F
Antar = diterima;
k1 − 1 SSantar1 MSantar1
Kelompok1 = = F hitung < F
(∑ total ) dbantar1 MSdalam
− tabel = Ha
total
ditolak;
F hitung > F
SSantar2 tabel = Ha
(∑ k2 ) MSantar2 F diterima;
Antar =
k2 − 1 SSantar2 MSantar2
Kelompok2 = = F hitung < F
(∑ total ) dbantar2 MSdalam
− tabel = Ha
total ditolak;
SSinteraksi = F hitung > F

(∑ ) tabel = Ha
∑ +
(∑ )
diterima;
∑ + F F hitung < F
(dbantar1) MSinteraksi =
Interaksi (Ʃ ) SSinteraksi MSinteraksi tabel = Ha
(dbantar2) ∑ − =
dbinteraksi MSdalam
(∑ total )
ditolak;
−
total
(SSantar1 +
)
SSdalam =
(k1k2) SStotal − MSdalam
Dalam
(n − 1) SSantar1 − SSdalam
Kelompok =
SSantar2 − dbdalam
SSinteraksi
SStotal
= total
Total total −1
(∑ tot )
−
total
Keterangan. Sig. = signifikansi nilai F hitung.

Sumber: Penulis.
Mengacu pada Tabel 35 di atas, terdapat tiga uji F dalam two-way

between-subjects ANOVA. Uji F pertama bertujuan untuk
menentukan signifikansi pengaruh variabel independen pertama
terhadap variabel dependen (antarkelompok1). Uji F kedua bertujuan
untuk menentukan signifikansi pengaruh variabel independen kedua
terhadap variabel dependen (antarkelompok2). Uji F ketiga bertujuan
untuk menentukan signifikansi pengaruh interaksi antara variabel
- 253 -
independen pertama dan variabel independen kedua terhadap

variabel dependen (interaksi). Tabel 36 di bawah ini menyajikan
keterangan makna dari istilah dan simbol-simbol dalam Tabel 35.

dalam Tabel 35
Istilah dan Simbol dalam
two-way between- Keterangan
subjetcs ANOVA
Antar Kelompok1 Sumber variasi variabel independen pertama
Antar Kelompok2 Sumber variasi variabel independen kedua
Interaksi Sumber variasi interaksi variabel independen pertama dan variabel
independen kedua
Dalam Kelompok Sumber variasi eror atau varians variabel dependen yang tidak
dijelaskan oleh variabel independen pertama, variabel independen
kedua, interaksi variabel independen pertama dan kedua
k1 Jumlah kategori, kelompok, atau perlakuan dalam variabel
independen pertama
k2 Jumlah kategori, kelompok, atau perlakuan dalam variabel
independen kedua
n Jumlah subjek penelitian per cell atau kombinasi dalam masing-
masing kategori, kelompok, atau perlakuan dalam variabel
independen pertama dan variabel independen kedua
SSantar1 Jumah kuadrat antar-kelompok variabel independen pertama
SSantar2 Jumah kuadrat antar-kelompok variabel independen kedua
SSinter Jumah kuadrat interaksi variabel independen pertama dan variabel
independen kedua
SSdalam Jumah kuadrat dalam-kelompok
SStotal Jumah kuadrat keseluruhan
Jumlah subjek penelitian dalam masing-masing kategori, kelompok,
atau perlakuan variabel independen pertama
Jumlah subjek penelitian dalam masing-masing kategori, kelompok,
atau perlakuan variabel independen kedua
total Jumlah keseluruhan subjek penelitian
Ʃ Jumlah keseluruhan skor variabel dependen dalam masing-masing

kategori, kelompok, atau perlakuan pertama variabel independen
pertama
Ʃ Jumlah keseluruhan skor variabel dependen dalam masing-masing
kategori, kelompok, atau perlakuan pertama variabel independen
kedua
- 254 -
Ʃ Jumlah keseluruhan skor variabel dependen dalam kategori,

kelompok, atau perlakuan pertama variabel independen dan kategori,
kelompok, atau perlakuan pertama variabel independen kedua
Ʃ Jumlah keseluruhan skor variabel dependen dalam kategori,
kelompok, atau perlakuan kedua variabel independen dan kategori,
kelompok, atau perlakuan pertama variabel independen kedua
Jumlah subjek penelitian dalam kategori, kelompok, atau perlakuan
pertama variabel independen dan dalam kategori, kelompok, atau
perlakuan pertama variabel independen kedua
Jumlah subjek penelitian dalam kategori, kelompok, atau perlakuan
kedua variabel independen dan dalam kategori, kelompok, atau
perlakuan pertama variabel independen kedua
Ʃ total Jumlah keseluruhan skor variabel dependen pada semua subjek
penelitian
MSantar1 Rata-rata kuadrat antar-kelompok variabel independen pertama
MSantar2 Rata-rata kuadrat antar-kelompok variabel independen kedua
MSinteraksi Rata-rata kuadrat interaksi variabel independen pertama dan variabel
independen kedua
Sig. Signifikansi nilai F tabel
Effect size dalam tiga uji F two-way between-subjects ANOVA

dihitung dengan rumus Eta Squared maupun Omega Squared sebagai
berikut (Howell, 2017):
η = (46.1)
total
η = (46.2)
total
2 − ( − 1)M dalam (46.3)

ω =
SStotal + MSdalam
2 SDinteraksi
ωinteraksi = (46.4)
2
SD
Total
Dalam kasus ketika jumlah kategori, kelompok, atau perlakuan
dalam masing-masing variabel independen adalah dua, analisis
- 255 -
planned comparison atau apriori comparison tidak relevan untuk

dilakukan dalam two-way between-subjects ANOVA. Dalam kasus
ketika jumlah kategori, kelompok, atau perlakuan dalam masing-
masing atau salah satu variabel independen adalah lebih dari dua,
analisis planned comparison atau apriori comparison relevan untuk
dilakukan dalam two-way between-subjects ANOVA.
B. Contoh soal pertama two-way between-subjects ANOVA

Seorang peneliti berminat menguji pengaruh efektivitas metode
pengajaran (partisipatif dibandingkan nonpartisipatif) serta model
evaluasi pembelajaran (dengan feedback dibandingkan tanpa
feedback) tehadap nilai hasil belajar mata kuliah statistika. Dalam
rancangan penelitian ini, variabel independen pertama adalah
metode pengajaran yang terdiri dari dua jenis perlakuan, yaitu
partisipatif dan nonpartisipatif. Sementara itu, variabel independen
kedua adalah model evaluasi pembelajaran yang terdiri dari dua jenis
perlakuan, yaitu dengan feedback dan tanpa feedback. Variabel
dependen adalah nilai mata kuliah statistika. Atas dasar rincian
variabel independen tersebut, peneliti melaksanakan eksperimen
dengan desain 2 (Metode pengajaran: partisipatif versus
nonpartisipatif) by 2 (Model evaluasi pembelajaran: dengan feedback
versus tanpa feedback) between-subjects. Dengan rancangan ini,
peneliti menerapkan empat jenis perlakuan, yang terdiri dari metode
pengajaran nonpartisipatif dan model evaluasi pembelajaran tanpa
feedback (perlakuan I), metode pengajaran nonpartisipatif dan model
evaluasi pembelajaran dengan feedback (perlakuan II), metode
pengajaran partisipatif dan model evaluasi pembelajaran tanpa
feedback (perlakuan III), serta metode pengajaran partisipatif dan
model evaluasi pembelajaran dengan feedback (perlakuan IV).
Peneliti merekrut 40 partisipan dengan 10 partisipan dalam masing-
masing perlakuan. Masing-masing dari 10 partisipan tersebut diacak
atau dirandom ke dalam salah satu dari keempat kombinasi
perlakuan tersebut.
- 256 -
Peneliti mengajukan tiga hipotesis kerja atau alternatif.

Hipotesis pertama (Ha1), “metode pengajaran berpengaruh signifikan
terhadap nilai statistika mahasiswa”. Hipotesis kedua (Ha2), “model
evaluasi pembelajaran berpengaruh signifikan terhadap nilai
statistika mahasiswa”. Hipotesis ketiga (Ha3), “metode pengajaran
berinteraksi dengan model evaluasi pembelajaran dalam
mempengaruhi nilai statistika mahasiswa”. Hipotesis pertama sampai
dengan hipotesis ketiga bersifat dua arah (two-tailed). Hipotesis
keempat (Ha4) merupakan probing dari hipotesis ketiga, yang bersifat
satu arah (one-tailed), yaitu “model evaluasi pembelajaran dengan
feedback dibandingkan dengan model evaluasi pembelajaran tanpa
feedback lebih efektif meningkatkan nilai statistika mahasiswa,
terutama pada mahasiswa yang diberikan metode pengajaran
partisipatif dibandingkan mahasiswa yang diberikan metode
pengajaran nonpartisipatif”. Masing-masing hipotesis diuji pada taraf
signifikasi 0.05 (α = 0.05). Andaikan bahwa dalam penelitian ini,
asumsi-asumsi dalam uji perbedaan two-way between-subjects
ANOVA terpenuhi. Data hasil penelitian ditampilkan dan diolah
Tabel 37. Pengaruh Metode Pengajaran dan Model Evaluasi

Pembelajaran terhadap Nilai Statistika Mahasiwa
Metode Metode
No. Pengajaran No. Pengajaran Total
Subjek Nonpartisipatif Subjek Partisipatif
X1 (X1)2 X2 (X2)2 X (X)2
1. 6 36 11. 7 49 13 85
2. 5 25 12. 7 49 12 74
Tanpa- Feedback
3. 6 36 13. 3 9 9 45
4. 7 49 14. 6 9 13 85
5. 4 16 15. 4 16 8 32
6. 4 16 16. 6 36 10 52
7. 5 25 17. 5 25 10 50
8. 5 25 18. 5 25 10 50
9. 6 36 19. 7 49 13 85
- 257 -
10. 6 36 20. 4 16 10 52
54
54
Sub- n1 = n2 = (M
(M = 300 283 108 610
Total 10 10 =
5.4)
5.4)
21. 4 16 31. 9 81 13 97
22. 4 16 32. 9 81 13 97
23. 5 25 33. 9 81 14 106
Dengan-Fedback
24. 6 36 34. 8 64 14 100

25. 7 49 35. 8 64 15 113
26. 7 49 36. 8 64 15 113
27. 5 25 37. 6 36 11 61
28. 8 64 38. 7 49 15 113
29. 4 16 39. 9 81 13 97
30. 5 25 40. 8 64 13 89
81
55
Sub- n3 = n4 = (M
(M = 321 665 136 986
Total 10 10 =
5.5)
8.1)
Total
109 621 135 948 244 1596
Jendral
Mengacu pada hasil penghitungan Tabel 37 di atas, langkah

pertama adalah menentukan jumlah kuadrat total (SStotal), jumlah
kuadrat antar-kelompok (SSantar1 dan SSantar2), jumlah kuadrat
interaksi (SSinteraksi), dan jumlah kuadrat dalam-kelompok (SSdalam).
Hasil penghitungan ini selanjutnya dikompilasi ke dalam Tabel 38.
(∑ total ) (244)
total = total − = 1596 − = 107.6
total 40
(∑ ) (∑ total )
antar1(metode pengajaran) = −
total
(109) (135) (244)
= + −
20 20 40
- 258 -
antar1(metode pengajaran) = 594.05 + 911.25 − 1488.4 = 16.9
(∑ ) (∑ total )
SSantar2( ) = −
total
(108) (136) (244)
= + −
20 20 40
SSantar2( ) = 583.2 + 924.8 − 1488.4 = 19.6
(∑ ) (∑ ) ( ) (∑ tot )
interaksi =∑ +∑ +∑ −
total
−( + )
(54) (54) (55) (81) (244)

interaksi = + + + − (16.9
10 10 10 10 40
+ 19.6)
= 291.6 + 291.6 + 302.5 + 656.1 − 1488.4
interaksi = 16.9 + 19.6)

= 291.6 + 291.6 + 302.5 + 656.1 − 1488.4
= 16.9
= total − SSantar1(metode pengajaran)

− SSantar2( ) − SSinteraksi
= 107.6 − 16.9 − 19.6 − 16.9 = 54.2
- 259 -

Jumlah Kuadrat, dan Mean Kuadrat untuk Menentukan Signifikansi
Pengaruh Metode Pengajaran dan Model Evaluasi Pembelajaran
terhadap Nilai Statistika
Sumber Jumlah
Derajat Mean Kuadrat
Variasi Kuadrat Fhitung Ftabel & Sig.
bebas (db) (MS)
(SS)
F
MSantar1 = MSantar1
Antar k1 −1= SSantar1 =
16.9 = MSdalam
dbantar1
Kelompok1 2−1=1 .
16.9
= 16.9 =
1.5056
= 11.225
F
MSantar2 =
Antar k2 − 1= SSantar2 MSantar2
19.6 = = =
Kelompok2 2 −1 = 1
dbantar2 MSdalam
.
= 19.6 19.6
1.5056
= 13.018
F
(dbantar1) MSinteraksi = MSinteraksi
= F
(dbantar2) = SSinteraksi
= MSdalam
Interaksi 16.9 dbinteraksi = 4.11
(1)(1) .
16.9
= 16.9 = (db 1= 1, db
= 1 1.5056
= 11.225 2 = 36, α =
(k1k2) 0.05);
(n − 1) MSdalam = F >
Dalam SSdalam
= F ; Ha
= 54.2 dbdalam
Kelompok . diterima.
(2)(2)(9) = = 1.5056
36
total –1=
Total 40 – 1 107.6
= 39

Sumber: Penulis.
Signifikansi masing-masing nilai F hitung yang disajikan dalam

Tabel 38 di atas ditentukan dengan membandingkannya dengan F
Tabel. Kriteria untuk mengetahui nilai F tabel adalah, pertama,
derajat bebas (db). Tabel 38 menunjukkan bahwa db antar-kelompok
untuk tiga faktor, yaitu pengaruh metode pengajaran (antar1),
- 260 -
pengaruh model evaluasi pembelajaran (antar2), dan interaksi

(interaksi) adalah 1. Derajat bebas (db) dalam-kelompok = 36. Tabel
A.3 di Lampiran tidak memuat secara persis db dalam-kelompok =
36. Solusinya adalah menggunakan kalkulator online
(https://www.danielsoper.com/statcalc/calculator.aspx?id=4; Soper,
2022) dengan memasukkan Degress of freedom 1 = 1, Degress of
freedom 2 = 36, dan Probalility level = 0.05. Dengan kriteria ini, nilai
F tabel = 4.11. Karena nilai F hitung (= 11.225) pengaruh variabel
independen pertama (antar1), F hitung (= 13.018) pengaruh variabel
independen kedua (antar2), dan F hitung (= 11.225) pengaruh
interaksi lebih besar dari nilai F tabel (= 4.11) maka masing masing
nilai F hitung tersebut dinyatakan signifikan. Menggunakan
kalkulator online (https://www.socscistatistics.com/pvalues
/fdistribution.aspx; “P-Value from F-Ratio Calculator (ANOVA).”,
2022), nilai p dari F hitung antar1 adalah .001905. Nilai p dari F
hitung antar2 adalah .00093, dan nilai p dari F hitung interaksi adalah
.001905. Karena nilainya kurang dari 0.05 maka tiga nilai p tersebut
dinyatakan signifikan. Implikasinya, hipotesis pertama (Ha1),
hipotesis kedua (Ha2), dan hipotesis ketiga (Ha3) diterima.
Effect size menggunakan rumus Eta Squared (Lihat rumus 46.1
dan rumus 46.2) untuk masing-masing dari tiga faktor, yaitu
pengaruh metode pengajaran (antar1), pengaruh model evaluasi
pembelajaran (antar2), serta interaksi metode pengajaran dan model
evaluasi pembelajaran (interaksi) adalah sebagai berikut:
16.9
( ) = = = 0.157
total 107.6
19.6
( ) = = = 0.182
total 107.6
16.9
= = = 0.157
total 107.6
- 261 -
Jadi, atas dasar rumus Eta Squared, metode pengajaran mampu

menjelaskan nilai mata kuliah Statistika sebesar 15.7 persen, model
evaluasi pembelajaran sebesar 18.2 persen, dan interaksi antara
metode pengajaran dan model evaluasi pembelajaran adalah 15.7
persen.
Effect size menggunakan rumus Omega Squared (Lihat rumus
46.3 dan rumus 46.4)untuk pengaruh metode pengajaran (antar1),
pengaruh model evaluasi pembelajaran (antar2), serta interaksi
metode pengajaran dan model evaluasi pembelajaran (interaksi)
2 SSantar1 − ( − 1)MSdalam
ω =
1( ) SStotal + MSdalam
16.9 − (2 − 1)1.5056
=
107.6 + 1.5056
2 15.3944
ω 1
= = 0.141
109.1056
2 SSantar2 − ( − 1)MSdalam
ω =
2( SStotal + MSdalam
)
19.6 − (2 − 1)1.5056
=
107.6 + 1.5056
2 18.0944
ω = = 0.17
2( ) 109.1056
2
2
SD
interaksi
interaksi =
2
SD
Total
( -1)( -1)(MSinteraksi − MSdalam )
SDinteraksi =
n
(2 − 1)(2 − 1)(16.9 − 1.5056)
=
(10)(2)(2)
- 262 -
.
SDinteraksi = = 0.3849
( -1)(MSantar1 − MSdalam ) (2-1)(16.9 − 1.5056)

SD 1 = =
n (10)(2)(2)
.
SD 1 = = 0.3849
( -1)(MSantar2 − MSdalam ) (2-1)(19.6 − 1.5056)

SD 2 = =
n (10)(2)(2)
.
SD 2 = = 0.45236
SDTota1 = SD 1 + SD 2 + SDinteraksi + MSdalam
SDTota1 = 0.3849 + 0.45236 + 0.3849 + 1.5056 = 2.72776
2 SDinteraksi 0.3849
ωinteraksi = = = 0.14
2 2.72776
SD
Total
Atas dasar rumus Omega Squared, metode pengajaran mampu
menjelaskan nilai mata kuliah statistik sebesar 14.1 persen, model
evaluasi pembelajaran sebesar 17 persen, dan interaksi antara metode
pengajaran dan model evaluasi pembelajaran adalah 14 persen.
C. Pengerjaan Contoh Soal Pertama Two-Way Between-Subjects

ANOVA Menggunakan JASP
soal pertama two-way between-subjects ANOVA menggunakan JASP.
Data mentah contoh soal pertama two-way between-subjects ANOVA
https://bit.ly/TwoWayBetweenSubjectsANOVA1
- 263 -
data dalam bentuk skala nominal teks untuk Metode Pengajaran (X1)
dan Model Evaluasi Pembelajaran (X2), serta skala interval Hasil
Belajar (Y).
Langkah 2. Mengubah file data input dalam format Excel menjadi

format Comma Delimited (CSV).
- 264 -
Langkah 3. Menjalankan JASP dan mengeklik So open a data file and

take JASP for a spin!. Mengarahkan kursor ke menu Browse di
mengklik open.

Metode Pengajaran (X1) dan Model Evaluasi Pembelajaran sebagai
variabel berskala nominal teks, sementara Hasil Belajar (Y) sebagai
variable berskala interval (scale).
Langkah 5. Mengganti urutan kelompok dalam variabel X2 dengan

mengarahkan kursor ke Model Evaluasi Pembelajaran sampai
muncul pesan Click here to change labels. Memakai tombol di sebelah
kanan Move selected labels up atau Move selected labels down untuk
- 265 -
menggeser label Tanpa feedback sebagai nomor urut pertama, disusul

label Dengan feedback.

Langkah 7. Memindahkan variabel Hasil Belajar (Y) dari Kotak

ANOVA ke Kotak Dependent Variable dan Metode Pengajaran (X1)
serta Model Evaluasi Pembelajaran (X2) dari Kotak ANOVA ke
Kotak Fixed Factors. Di bawah menu Display, mencentang opsi
Descriptive statistics, Estimate of effect size (memilih opsi η2 dan ω2).
- 266 -
Langkah 8. Mengecek hasil atau Results Langkah 7 di layar sebelah

kanan dengan tampilan sebagai berikut:
- 267 -
Langkah 9. Menguji Hipotesis keempat (Ha4) dengan mengklik menu

Simple Main Effects. Langkah berikutnya adalah Memindahkan
Model Evaluasi Pembelajaran (X2) dari kotak Faktors ke kotak Simple
Effect Factor, dan Metode Pengajaran (X1) dari kotak Faktors ke
kotak Moderator Factor 1.

- 268 -
Laporan hasil Pengerjaan contoh soal pertama two-way between-

subjects ANOVA menurut APA edisi 7
Analisis two-way between-subjects ANOVA menunjukkan bahwa,
sesuai hipotesis pertama (Ha1), metode pengajaran (partisipatif versus
nonpartisipatif) berpengaruh signifikan terhadap nilai statistika
mahasiswa, F(1, 36) = 11.23, p = .002, η2 = .16. Hipotesis kedua (Ha2)
juga diterima karena model evaluasi pembelajaran (dengan feedback
versus tanpa feedback) berpengaruh secara signifikan terhadap nilai
statistika mahasiswa, F(1, 36) = 13.02, p = .001, η2 = .18. Mendukung
hipotesis ketiga (Ha3) metode pengajaran berinteraksi secara
signifikan dengan model evaluasi pembelajaran dalam
mempengaruhi nilai statistika mahasiswa, F(1, 36) = 11.23, p = .002,
η2 = .16. Hipotesis keempat (Ha₄) juga diterima karena efek model
evaluasi pembelajaran (dengan feedback versus tanpa feedback)
adalah signifikan pada mahasiswa yang diberikan metode pengajaran
partisipatif, F = 24.21, p < .001, tetapi tidak signifikan pada mahasiswa
yang diberikan metode pengajaran nonpartisipatif, F = 0.03, p = .857.
D. Uji Asumsi Contoh Soal Pertama Two-Way Between-Subjects

ANOVA
Uji asumsi dalam two-way between-subjecs ANOVA adalah,
pertama, variabel dependen harus terdistribusi secara normal dalam
masing-masing kelompok, kategori, atau level perlakuan variabel
independen (Goss-Sampson, 2020). Untuk menguji asumsi ini,
langkahnya adalah menglik menu Descriptives dan memindahkan
Hasil Belajar (Y) dari kotak Descriptive Statistics ke kotak Variables,
serta Metode Pengajaran dari kotak Descriptive Statistics ke kotak
Split. Langkah berikutnya adalah mengeklik menu Statistics dan
mencentang opsi Shapiro-Wilk Test.
- 269 -
Langkah berikutnya lagi adalah mengembalikan Metode

Pengajaran (X1) dari kotak Split ke kotak Descriptive Statistics dan
memindahkan Metode Evaluasi Pembelajaran (X2) dari Descriptive
Statistics ke kotak Split. Mengklik menu Statistics dan mencentang
- 270 -

- 271 -
Nilai p Shapiro-Wilk untuk Hasil Belajar pada Metode

Pengajaran Nonpartisipatif (= 0.050) dan Metode Pengajaran
Partisipatif (= 0.124) adalah tidak signifikan karena lebih besar dari
0.05. Kesimpulannya, Hasil Belajar pada Metode Pengajaran
Nonpartisipatif dan Metode Pengajaran Partisipatif terdistribusi
secara normal. Nilai p Shapiro-Wilk untuk hasil Hasil Belajar pada
Model Evaluasi Dengan Feedback (= 0.027) adalah signifikan karena
lebih kecil dari 0.05. Hasil Belajar pada Model Evaluasi Tanpa
Feedback (= 0.078) adalah tidak signifikan karena lebih besar dari
0.05. Kesimpulannya, Hasil Belajar pada Model Evaluasi Dengan
Feedback tidak terdistribusi secara normal sementara Hasil Belajar
pada Model Evaluasi Tanpa Feedback terdistribusi secara normal.
Asumsi kedua adalah homogenitas varians. Untuk menguji
asumsi kedua ini, langkahnya adalah mengklik menu ANOVA,
ANOVA (classical). Langkah berikutnya adalah memindahkan Hasil
Belajar (Y) dari kotak ANOVA ke kotak Dependent Variable dan
Metode Pengajaran (X1) dan Model Evaluasi Pembelajaran (X2) dari
kotak ANOVA ke kotak Fixed Factors. Terakhir, mengklik menu
Assumption Chekcs dan mencentang opsi Homogeneity tests.
- 272 -
Hasil Levene’s test menunjukkan bahwa variansi skor Hasil

belajar pada dua jenis perlakuan Metode Pengajaran (partisipatif
versus nonpartisipatif) dan pada dua jenis Model Evaluasi
Pembelajaran (tanpa feedback versus dengan feedback) adalah
homogen karena nilai F(3, 36) = 1.709 adalah tidak signifikan, p =
0.182 (Goss-Sampson, 2020).
Meskipun homogenitas varians terpenuhi, Hasil Belajar pada
Model Evaluasi Dengan Feedback tidak terdistribusi secara normal.
Dengan demikian, solusi yang bisa dilakukan adalah mengganti two-
way between-subjects ANOVA dengan padanan nonparametriknya,
yaitu Kruskal-Wallis yang tidak mensyaratkan terpenuhinya dua
E. Contoh Soal Kedua Two-Way Between-Subjects ANOVA

Dalam contoh soal pertama two-way between-subjects ANOVA
di atas, kategori, kelompok, atau level perlakuan dalam masing-
masing dari dua variabel independen adalah dua. Konsekuensinya,
analisis planned comparison tidak relevan untuk dilakukan. Agar
analisis planned comparison ini relevan dalam konteks two-way
between-subjects ANOVA, contoh kedua ini melibatkan salah satu
dari dua variabel independen yang memiliki kategori, kelompok, atau
level perlakukan lebih dari dua. Deskripsi contoh soal kedua ini
diuraikan sebagai berikut.
Seorang peneliti berminat menguji pengaruh ancaman
globalisasi dan permeabilitas status terhadap emosi negatif
antarkelompok. Dalam rancangan penelitian ini, variabel independen
pertama adalah ancaman globalisasi yang terdiri dari tiga level, yaitu
- 273 -
rendah, sedang, dan tinggi. Variabel independen kedua adalah

permeabilitas status yang terdiri dari dua level, yaitu sangat tidak
mungkin dan sangat mungkin. Ancaman globalisasi diaktivasi
melalui skenario narasi atau vignette bahwa pihak Barat sebagai
kelompok-lain (outgroup) bisa melemahkan nilai-nilai dan budaya
lokal kelompok-sendiri (ingroup). Permeabilitas status diaktivasi
melalui skenario naratif atau vignette bahwa status ingroup bisa atau
tidak bisa mengungguli status Barat sebagai outgroup. Variabel
dependen adalah emosi negatif seperti amarah, benci, yang dirasakan
anggota kelompok-sendiri (ingroup) terhadap Barat (outgroup). Atas
dasar rincian variabel independen yang dipaparkan di atas, peneliti
melaksanakan eksperimen dengan desain 3 (ancaman globalisasi:
rendah, sedang, dan tinggi) by 2 (permeabilitas status: sangat tidak
mungkin dan sangat mungkin) between-subjects. Dengan rancangan
ini, peneliti menerapkan 6 jenis perlakuan. Pertama adalah ancaman
globalisasi tinggi dan permeabilitas status yang tidak mungkin
(perlakuan 1). Kedua, ancaman globalisasi tinggi dan permeabilitas
status yang sangat mungkin (perlakuan 2). Ketiga, ancaman
globalisasi sedang dan permeabilitas status yang sangat tidak
mungkin (perlakuan 3). Keempat, ancaman globalisasi sedang dan
permeabilitas status yang sangat mungkin (perlakuan 4). Kelima,
ancaman globalisasi rendah dan permeabilitas status yang sangat
tidak mungkin (perlakuan 5). Keenam, ancaman globalisasi rendah
dan permeabilitas status yang sangat mungkin (perlakuan 6). Peneliti
merekrut 36 partisipan yang dibagi ke dalam 6 kelompok. Masig-
masing dari 6 kelompok partisipan ini diacak atau dirandom ke dalam
salah satu dari keempat jenis perlakuan.
Peneliti mengajukan enam hipotesis. Hipotesis pertama bersifat
dua arah (two-tailed), yaitu “ancaman globalisasi berpengaruh
signifikan terhadap emosi negatif antarkelompok (Ha1)”. Hipotesis
kedua bersifat satu arah (one-tailed), yaitu “secara lebih spesifik,
ancaman globalisasi tinggi menimbulkan emosi negatif
antarkelompok yang lebih kuat dibandingkan dengan ancaman
globalisasi rendah (Ha2)”. Hipotesis ketiga bersifat satu arah (one-
- 274 -
tailed), yaitu “ancaman globalisasi tinggi menimbulkan emosi negatif

antarkelompok yang lebih kuat dibandingkan dengan ancaman
globalisasi sedang (Ha3)”. Hipotesis keempat bersifat dua arah (two-
tailed), yaitu “permeabilitas kelompok berpengaruh signifikan
terhadap emosi negatif antarkelompok (Ha4)”. Hipotesis kelima juga
bersifat dua arah (two-tailed), yaitu “ancaman globalisasi berinteraksi
dengan permeabilitas dalam mempengaruhi emosi negatif
antarkelompok (Ha5)”. Hipotesis keenam sekaligus terakhir (Ha6)
merupakan probing dari hipotesis kelima, yang dinyatakan secara satu
arah (one-tailed), yaitu “ancaman globalisasi (rendah, sedang, tinggi)
mempengaruhi emosi negatif antarkelompok, terutama pada
responden dalam kondisi atau permeabilitas status kelompok yang
sangat tidak mungkin dibandingkan dengan responden dalam
kondisi atau permeabilitas status kelompok yang sangat mungkin”.
Terkecuali hipotesis keenam yang secara default diuji pada taraf
signifikansi 0.05, masing-masing hipotesis diuji pada taraf signifikasi
0.01 ( = 0.01). Andaikan bahwa asumsi-asumsi uji beda two-way
between-subjects ANOVA terpenuhi dalam penelitian ini. Data hasil
penelitian ditampilkan dan diolah dalam Tabel 39 sebagai berikut.
Tabel 39. Data Pengaruh Ancaman Globalisasi dan Permeabilitas

Status terhadap Emosi Negatif Antarkelompok
Ancaman Ancaman Ancaman
No. No. No.
globalisasi globalisasi globalisasi Total
Subje Subje Subje
rendah (A1) sedang (A2) tinggi (A3)
k k k
X1 (X1)2 X2 (X2)2 X3 (X3)2 X (X)2
1. 3 9 7. 4 16 13. 6 36 13 61
Permeabilitas status yang sangat
2. 2 4 8. 4 16 14. 8 64 14 84
mngkin (B1)
3. 1 1 9. 5 25 15. 6 36 12 62
4. 1 1 10. 6 36 16. 7 49 14 86
5. 5 25 11. 3 9 17. 6 36 14 70
6. 2 4 12. 2 4 18. 7 49 11 57
- 275 -
Sub
-
n1 = 6 14 44 n2 = 6 24 106 n3 = 6 40 270 78 420
Tot
al
Permeabilitas status yang snagat sangat
19. 5 25 25. 6 36 31. 8 64 19 125
20. 3 9 26. 7 49 32. 9 81 19 139

tidak mngkin (B2)
21. 1 1 27. 5 25 33. 10 100 16 126
22. 1 1 28. 5 25 34. 8 64 14 90
23. 2 4 29. 6 36 35. 7 49 15 89
24. 4 16 30. 7 49 36. 9 81 20 146
Sub
- 10
n1 = 6 16 56 n2 = 6 36 220 n3 = 6 51 439 715
Tot 3
al
ƩX ƩX2
ƩX ƩX12 ƩX ƩX22 ƩX3 ƩX32
Tot = =
1= = 2= = = =
al 18 113
30 100 60 326 91 709
1 5
Rata
- 7.583
2.5 5
rata 3
(M)
Mengacu pada hasil penghitungan Tabel 39 di atas, uji hipotesis

penelitian dalam contoh soal kedua two-way between-subjects
ANOVA dilakukan melalui beberapa langkah. Pertama adalah
menghitung jumlah kuadrat total (SStotal), jumlah kuadrat antar-
kelompok (SSantar1 dan SSantar2), jumlah kuadrat interaksi (SSinteraksi),
dan jumlah kuadrat dalam-kelompok (SSdalam). Hasil penghitungan
ini selanjutnya dikompilasi ke dalam Tabel 40.
(∑ total )(181)
SStotal = total − = 1135 −
total 36
= 1135 − 910.0278 = 224.9722
- 276 -
(∑ ) (∑ total )
SSantar1(ancaman-globalisasi) = −
total
(30) (60) (91) (181)
= + + −
12 12 12 36
SSantar1(ancaman-globalisasi) = 75 + 300 + 690.08333 − 910.0278

= 155.0555
(∑ ) (∑ total )
SSantar2(permeabilitas-status) = −
total
(78) (103) (181)
= + −
18 18 36
SSantar2(permeabilitas-status) = 338 + 589.3889 − 910.0278 = 17.3611
(∑ ) (∑ ) ( ) (∑ total )
SSinteraksi = ∑ +∑ +∑ −
total
− (SSantar1 + SSantar2 )
(14) (24) (40) (16) (36) (51)

SSinteraksi = + + + + +
6 6 6 6 6 6
(181)
− − (155.0555 + 17.3611)
36
SSinteraksi = 32.6667 + 96 + 266.6667 + 42.6667 + 216 + 433.5

− −910.0278 − 172.4166)
SSinteraksi = 1087.5001 − 910.0278 − 172.4166 = 5.0557
SSdalam = − antar1(ancaman-globalisasi) −
total
antar2( ) − SSinteraksi = 224.9722 − 155.0555 −
17.3611 − 5.0557 = 47.4999
- 277 -

Jumlah Kuadrat, dan Mean Kuadrat untuk Menentukan Signifikansi
Pengaruh Ancaman Globalisasi dan Permeabilitas Kelompok
terhadap Emosi Negatif Antarkelompok
Sumber Derajat Jumlah
Mean Kuadrat
Variasi bebas Kuadrat Fhitung Ftabel
(MS)
(db) (SS)
MSantar1 = MKfaktor1 F = 5.39

SSfaktor1
= = (db 1= 2, db 2 =
dbfaktor1 MK
Antar k1−1= = 30, α =
155.0555 155.0555
Kelompok1 3−1 = 2 2 0.01);F >
= 77.5278 F ; Ha
77.5278 1.58333 diterima.
= 48.965
F = 7.56
MKfaktor2 (db 1= 1, db 2 =
MSantar2 = =
Antar k2−1 = SSfaktor2 .
MK 30, α =
17.3611 = =
dbfaktor2 0.01);F >
Kelompok2 2 −1 = 1
= 17.3611 F ; Ha
17.3611
diterima.
1.58333
= 10.965
MKinteraksi F = 5.39
(dbfaktor1) = (db 1= 2, db 2 =
MSinteraksi = MK
(dbfaktor2) SSinteraksi . = 30, α =
Interaksi 5.0557 = =
dbinteraksi 0.01);F <
= (2)(1)
2.5279 2.5279
= 2 F ; Ha
1.58333 ditolak.
= 1.597
(k1)(k2)
(n−1) MSdalam =
Dalam SSdalam .
= 47.4999 =
db
Kelompok
(3)(2)(5) = 1.58333
= 30
N−1 =
Total 36 − 1 = 224.9722
35

Sumber: Penulis.
- 278 -
Langkah kedua adalah menentukan signifikansi masing-masing

nilai F hitung yang disajikan dalam Tabel 40 di atas. Langkah ini
dilakukan melalui pembandingan F hitung tersebut dengan nilai F
Tabel pada taraf signifikansi 0.01 (Lihat Tabel A.4 di Lampiran).
Dengan derajat bebas (db) antar-kelompok = 2, db dalam-kelompok
= 30, dan taraf signifikansi = 0.01, nilai F tabel pengaruh ancaman
global (antar1) adalah 5.39. Dengan derajat bebas (db) antar-
kelompok = 1, db dalam-kelompok = 30, dan taraf signifikansi = 0.01,
nilai F tabel pengaruh permeabilitas status kelompok (antar2) adalah
7.56. Dengan derajat bebas (db) interaksi = 2, db dalam-kelompok =
30, dan taraf signifikansi = 0.01, nilai F tabel pengaruh interaksi
ancaman global dan permeabilitas status kelompok (interaksi) adalah
5.39. Kesimpulannya, nilai F hitung pengaruh ancaman global
(antar1) = 48.965 adalah signifikan karena lebih besar dari nilai F tabel
= 5.39. Nilai F hitung pengaruh permeabilitas status kelompok
(antar2) = 10.965 juga signifikan karena lebih besar dari nilai F tabel
= 7.56. Sementara itu, nilai F hitung pengaruh interaksi ancaman
global dan permeabilitas status kelompok (interaksi) = 1.597 adalah
tidak signifikan karena lebih kecil dari nilai F tabel = 5.39.
Menggunakan kalkulator online (https://www.socscistatistics.
com/ pvalues/fdistribution.aspx; “P-Value from F-Ratio Calculator
(ANOVA)”, 2022), dengan F-ratio value = 48.965, DF-numerator = 2,
DF-denominator = 30, dan Significance Level = 0.01, nilai p dari F
hitung antar1 adalah < .001. Dengan F-ratio value = 10.965, DF-
numerator = 1, DF-denominator = 30, dan Significance Level = 0.01,
nilai p dari F hitung antar2 adalah .002426. Dengan F-ratio value =
1.597, DF-numerator = 2, DF-denominator = 30, dan Significance
Level = 0.01, nilai p dari F hitung interaksi adalah 0.219243. Mengacu
pada hasil ini, hipotesis pertama (Ha1) dan hipotesis keempat (Ha4)
diterima, sementara hipotesis kelima (Ha5) ditolak.
Effect size menggunakan rumus Eta Squared untuk masing-
masing dari tiga faktor, yaitu pengaruh ancaman globalisasi (antar1),
pengaruh permeabilitas status kelompok (antar2), serta interaksi
- 279 -
pengaruh ancaman globalisasi dan permeabilitas status kelompok

(interaksi) adalah sebagai berikut:
155.0555
η ( ) = = = 0.69
total 224.9722
17.3611
η ( ) = = = 0.08
total 224.9722
5.0557
η = = = 0.02
total 224.9722
Sementara itu, penghitungan effect size masing-masing faktor

menggunakan Omega Squared adalah sebagai berikut:
2 SSantar1 − (
− 1)MSdalam
ω =
total + MSdalam
1(ancaman-globalisasi)
155.0555 − (3 − 1)1.58333
=
224.9722 + 1.58333
2 151.8888
ω = = 0.67
1(ancaman-globalisasi) 226.5555
2 SSantar2 − (
− 1)MSdalam
ω =
total + MSdalam
2(permeabilitas-status)
17.3611 − (2 − 1)1.58333
=
224.9722 + 1.58333
2 15.7778
ω = = 0.07
2(permeabilitas-status) 226.5555
2
SD
2 interaksi
ωinteraksi =
2
SD
total
- 280 -
( -1)(
-1)( interaksi − MSdalam )
SDinteraksi =
(n)( )( )
(3 − 1)(2 − 1)(2.5279 − 1.58333)
=
(6)(3)(2)
.
SDinteraksi = = 0.0525
( -1)( − MSdalam ) faktor1

SDantar1 =
(n)( )( )
(3 − 1)(77.5278 − 1.58333)
=
(6)(3)(2)
.
SDantar1 = = 4.2191
( -1)(MKfaktor2 − MSdalam )
SDantar2 =
(n)( )( )
(2 − 1)(17.3611 − 1.58333)
=
(6)(3)(2)
.
SDantar2 = = 0.4383
SDtotal = SDantar1 + SDantar2 + SDinteraksi + MSdalam
SDtotal = 4.2191 + 0.4383 + 0.0525 + 1.58333 = 6.2932
2
SD 0.0525
2 interaksi
interaksi
= = = 0.01
2 6.2932
SD
total
Mengacu pada hasil penghitungan menggunakan formula Eta
Squared di atas, persentase pengaruh ancaman global (antar1)
terhadap emosi negatif antar-kelompok adalah 69%. Persentase
pengaruh permeabilitas status kelompok (antar2) terhadap emosi
- 281 -
negatif antar-kelompok adalah 8%. Persentase pengaruh interaksi

antara ancaman global dan permeabilitas status kelompok (interaksi)
terhadap emosi negatif antar-kelompok adalah 2%.
Mengacu pada formula Omega Squared, persentase pengaruh
ancaman global (antar1) terhadap emosi negatif antar-kelompok
adalah 67%. Persentase pengaruh permeabilitas status kelompok
(antar2) terhadap emosi negatif antar-kelompok adalah 7%.
Persentase pengaruh interaksi antara ancaman global dan
permeabilitas status kelompok (interaksi) terhadap emosi negatif
antar-kelompok adalah 1%.
Untuk menguji hipotesis kedua (Ha2) dan hipotesis ketiga (Ha3),
kita menggunakan analisis planned comparison atau apriori
comparison, dengan rumus sebagai berikut (Lihat rumus 40):
−
=
(2)( )/
Hipotesis kedua (Ha2) yang menyatakan bahwa ancaman

globalisasi tinggi memantik emosi negatif antar-kelompok yang lebih
kuat dibandingkan dengan ancaman globalisasi rendah diuji dengan
prosedur matematis sebagai berikut:
− −
= =
(2)( )/ (2)( )/
7.58333 − 2.5 5.08333

= = = 9.896
(2)(1.58333)/12 0.5137
Hipotesis ketiga (Ha3) yang menyatakan bahwa ancaman

globalisasi tinggi memantik emosi negatif antar-kelompok yang lebih
kuat dibandingkan dengan ancaman globalisasi sedang diuji dengan
prosedur matematis sebagai berikut:
- 282 -
− −
= =
(2)( )/ (2)( )/
7.58333 − 5 2.58333
= = = 5.029
(2)(1.58333)/12 0.5137
Masing-masing nilai t hitung di atas, untuk menguji

signifikansinya, dibandingkan dengan nilai t tabel dengan derajat
bebas (db) = 30 (= + + + + + −6=6+6+
6 + 6 + 6 + 6 – 6). Dengan db = 30, nilai t tabel atas dasar taraf
signifikansi (α) = 0.01 dan hipotesis satu arah (one-tailed) adalah
2.457 (Lihat Tabel A.2 di Lampiran). Karena nilai t hitung apriori
comparison ancaman globalisas tinggi versus ancaman globalisasi
rendah (= 9.896) dan ancaman globalisasi tinggi versus ancaman
globalisasi sedang (= 5.029) lebih besar dari nilai t tabel (= 2.457)
maka hipotesis kedua (Ha2) dan hipotesis ketiga (Ha3) diterima.
F. Pengerjaan Soal Kedua Two-Way Between-Subjects ANOVA

Menggunakan JASP
soal kedua two-way between-subjects ANOVA menggunakan JASP.
Data mentah contoh soal kedua two-way between-subjects ANOVA
https://bit.ly/TwoWayBetweenSubjectsANOVA2.
Input data dalam bentuk skala nominal teks untuk Ancaman
Globalisasi (X1) dan Permeabilitas Status (X2), serta skala interval
untuk Emosi Negatif (Y).
- 283 -

- 284 -

mengklik open.

menetapkan Ancaman Globalisai (X1) dan Permeabilitas Status
Kelompok (X2( sebagai variabel berskala nominal teks, sementara
Emosi Negatif (Y) sebagai variable berskala interval (scale).
- 285 -

Langkah 6. Memindahkan variabel Emosi Negatif (Y) dari Kotak

ANOVA ke Kotak Dependent Variable dan Ancaman Globalisasi
(X1) serta Permeabilitas Status Kelompok (X2) dari Kotak ANOVA
ke Kotak Fixed Factors. Di bawah menu Display, mencentang opsi
Descriptive statistics, Estimate of effect size (memilih opsi η2 dan ω2).
- 286 -


bawah menu Assumption Checks. Pilih opsi custom untuk Ancaman
Globalisasi (X1). Menspesifikasi Contrast 1 dengan menandai
Ancaman Globalisasi Rendah = -1, Ancaman Globalisasi Sedang = 0,
Ancaman Globalisasi Tinggi = 1. Menambahkan Contrast 2 dengan
menandai Ancaman Globalisasi Rendah = 0, Ancaman Globalisasi
Sedang = -1, Ancaman Globalisasi Tinggi = 1.
- 287 -

Langkah 10. Menguji Hipotesis keenam (Ha6) dengan mengklik menu

Simple Main Effects. Langkah berikutnya adalah Memindahkan
Ancaman Globalisasi (X1) dari kotak Faktors ke kotak Simple Effect
Factor, dan Permeabilitas status (X2) dari kotak Faktors ke kotak
Moderator Factor 1.
- 288 -

Laporan hasil menurut APA edisi 7

Analisis two-way between-subjects ANOVA menunjukkan bahwa,
sesuai hipotesis pertama (Ha1), ancaman globalisasi (rendah versus
sedang versus tinggi) berpengaruh signifikan terhadap emosi negatif
antarkelompok, F(2, 30) = 48.97, p = .002, η2 = .69. Hipotesis kedua
(Ha2) juga diterima karena permeabilitas status kelompok (sangat
tidak mungkin versus sangat mungkin) berpengaruh secara signifikan
terhadap emosi negatif antarkelompok, F(1, 30) = 10.97, p = .002, η2
= .08. Hipotesis ketiga (Ha3) diterima karena emosi negatif
antarkelompok pada kondisi ancaman globalisasi tinggi (M = 7.58, SD
= 1.31) lebih kuat dibandingkan dengan emosi negatif pada kondisi
ancaman globalisasi rendah (M = 2.5, SD = 1.51), t(30) = 9.90, p <
.001. Hipotesis keempat (Ha4) diterima karena emosi negatif
antarkelompok pada kondisi ancaman globalisasi tinggi (M = 7.58, SD
= 1.31) lebih kuat dibandingkan dengan emosi negatif pada kondisi
ancaman globalisasi sedang (M = 5, SD = 1.54), t(30) = 5.03, p < .001.
Hipotesis kelima (Ha5) ditolak karena interaksi antara ancaman
globalisasi dan permeabilitas status kelompok tidak secara signifikan
berpengaruh terhadap emosi negatif antarkelompok, F(2, 30) = 1.60,
p = .219, η2 = .02. Hipotesis keenam (Ha6) juga ditolak karena
pengaruh ancaman globalisasi terhadap emosi negatif antarkelompok
signifikan baik pada kondisi permeabilitas sangat tidak mungkin, F =
32.46, p < .001, maupun pada kondisi permeabilitas sangat mungkin,
F = 51.39, p < .001.
- 289 -
Dalam laporan di atas, deviasi standar (SD) = 1.31 untuk emosi

negatif antarkelompok pada kondisi ancaman globalisasi tinggi secara
manual bisa dihitung dengan rumus sebagai berikut:
(∑ 3) (91)
∑ 3 − 3 709 −
= = 12
3−1 11
= √1.719697 = 1.311
Deviasi standar (SD) = 1.51 untuk emosi negatif antarkelompok
pada kondisi ancaman globalisasi rendah secara manual bisa dihitung
(∑ 1) (30)
∑ 1 − 1 = 100 − 12
=
1−1 11
= √2.27273 = 1.508
Deviasi standar (SD) = 1.54 untuk emosi negatif antarkelompok

pada kondisi ancaman globalisasi sedang secara manual bisa dihitung
(∑ 2) (60)
∑ 2 − 2 = 326 − 12
=
2−1 11
= √2.36364 = 1.537
G. Uji Asumsi Contoh Soal Kedua Two-Way Between-Subjects

ANOVA
Identik dengan contoh pertama, uji asumsi pertama dalam two-
way between-subjecs ANOVA adalah normalitas distribusi variabel
dependen dalam masing-masing kelompok, kategori, atau level
perlakuan variabel independen (Goss-Sampson, 2020). Untuk
menguji asumsi ini, langkahnya adalah mengklik menu Descriptives
dan memindahkan Emosi negatif (Y) dari kotak Descriptive Statistics
ke kotak Variables, serta Ancaman globalisasi (X1) dari kotak
- 290 -
Descriptive Statistics ke kotak Split. Langkah berikutnya adalah

mengklik menu Statistics dan mencentang opsi Shapiro-Wilk Test.

- 291 -
Langkah berikutnya lagi adalah mengembalikan Ancaman

globalisasi (X1) dari kotak Split ke kotak Descriptive Statistics dan
memindahkan Permeabilitas status (X2) dari Descriptive Statistics ke
kotak Split. Mengklik menu Statistics dan mencentang opsi Shapiro-
Wilk Test.

- 292 -
Nilai p Shapiro-Wilk untuk Emosi Negatif pada Ancaman

globalisasi rendah (= 0.047) adalah signifikan karena lebih kecil dari
0.05. Kesimpulannya, skor Emosi Negatif pada Ancaman globalisasi
rendah terdistribusi secara tidak normal. Nilai p Shapiro-Wilk untuk
Emosi Negatif pada Ancaman globalisasi sedang (= 0.513) dan pada
Ancaman globalisasi tinggi (= 0.290) adalah tidak signifikan karena
lebih besar dari 0.05. Kesimpulannya, skor Emosi Negatif pada
Ancaman globalisasi sedang dan pada Ancaman globalisasi tinggi
terdistribusi secara normal. Sementara itu, nillai p Shapiro-Wilk
untuk Emosi Negatif pada Permeabillitas status sangat mungkin (=
0.268) dan sangat tidak mungkin (=0.471) bernilai tidak signifikan
karena lebih besar dari 0.05. Kesimpulannya, skor Emosi Negatif pada
kedua kondisi permeabillitas status kelompok tersebut terdistribusi
secara normal.
Untuk menguji asumsi homogenitas varians, langkahnya adalah
mengklik menu ANOVA, ANOVA (classical). Langkah berikutnya
adalah memindahkan Emosi negatif (Y) dari kotak ANOVA ke kotak
Dependent Variable, sementara Ancaman globalisasi (X1) dan
Permeabilitas status (X2) dari kotak ANOVA ke kotak Fixed Factors.
Terakhir, mengklik menu Assumption Chekcs dan mencentang opsi
Homogeneity tests.

- 293 -
Hasil Levene’s test menunjukkan bahwa variansi skor Emosi

negatif pada tiga level Ancaman globalisasi (rendah versus sedang
versus tinggi) dan pada dua jenis Permeabilitas status (sangat
mungkin versus sangat tidak mungkin) adalah homogen karena nilai
F(5, 30) = 0.900 adalah tidak signifikan, p = 0.494 (Goss-Sampson,
2020).
Meskipun homogenitas varians terpenuhi, skor Emosi Negatif
pada Ancaman globalisasi rendah terdistribusi secara tidak normal.
Dengan demikian, solusi yang bisa dilakukan adalah mengganti two-
way between-subjects ANOVA dengan padanan nonparametriknya,
yaitu Kruskal-Wallis Test yang tidak mensyaratkan terpenuhinya
asumsi normalitas distribusi data (Mashuri, 2022b).
- 294 -
BAB 16
Uji Hubungan Two-Way
Repeated Measures Anova
A. Pengantar Two-Way Repeated Measures ANOVA
Identik dengan two-way between-subjects ANOVA, istilah ‘two-way’

dalam two-way repeated measures ANOVA menunjuk pada dua variabel
independen yang pengaruhnya diuji terhadap sebuah variabel dependen.
Two-way repeated measures ANOVA, dengan melibatkan dua variabel
independen, disebut juga sebagai factorial repeated measures ANOVA.
Dalam two-way repeated measures ANOVA, kategori, kelompok, atau level
perlakuan dalam masing-masing variabel independen berjumlah dua
(nominal dikotomi) atau lebih dari dua (nominal politomi). Sementara itu,
istilah ‘repeated measures’ menunjuk pada kategori, kelompok, atau level
perlakuan dalam masing-masing variabel independen yang diisi oleh atau
diberikan kepada sampel atau subjek penelitian yang sama (Verma, 2015).
Identik dengan two-way between-subjects ANOVA, dalam two-way
atau factorial repeated measures ANOVA terdapat dua jenis peran atau
pengaruh dari dua variabel independen terhadap sebuah variabel dependen,
yaitu main effect dan interaction effect. Main effect menunjuk pada pengaruh
masing-masing variabel independen terhadap sebuah variabel dependen.
Interaction effect menunjuk pada pengaruh salah satu variabel independen
terhadap sebuah variabel dependen yang tergantung pada level atau kategori
variabel independen lainnya (Alin & Kurt, 2006).
- 295 -
Sebagai uji perbedaan univariat, two-way repeated measures ANOVA

melibatkan satu variabel dependen yang diukur dalam skala interval atau
rasio. Two-way repeated measures ANOVA memiliki beberapa asumsi yang
sama dengan one-way repeated measures ANOVA. Syarat penggunaan two-
way repeated measures ANOVA pertama adalah distribusi normal variabel
dependen dalam masing-masing kategori atau level variabel independen.
Syarat kedua adalah sphericity, yaitu terpenuhinya homogenitas varians
variabel dependen dalam masing-masing kategori atau level variabel
independen yang melibatkan related samples atau subjek penelitian yang
sama (Verma, 2015).
Tabel 41 di bawah ini menampilkan prosedur matematis uji F two-way
repeated meaures ANOVA untuk menentukan signifikansi pengaruh dua
variabel independen dan interaksinya terhadap sebuah variabel dependen
(Coolican, 2014). Arti atau makna simbol di dalam Tabel 41 bisa mengacu
pada Tabel 42 .
Tabel 41. Sumber Variasi, Derajat Bebas, Jumlah Kuadrat, dan Mean Kuadrat
untuk Menentukan Signifikansi Uji Perbedaan Two-Way Repeated Measures
ANOVA.
Derajat
Sumber Fhitung &
bebas Jumlah Kuadrat (SS) Mean Kuadrat (MS) Fhitung
Variasi Sig.
(db)
F hitung > F
tabel = Ha
Antar = diterima;
k1 − 1
Kelompok 1 = F hitung < F
tabel = Ha
ditolak;
Residu
Antar ( k1 − 1)
Kelompok 1 (n − 1) =
F hitung > F
tabel = Ha
= diterima;
Antar =
k2 − 1 (Ʃ ) F hitung < F
Kelompok 2 = − =
tabel = Ha
ditolak;
- 296 -
Residu
( k2 − 1)
Antar
(n − 1) =
Kelompok 2
F hitung > F
tabel = Ha
(dbantar1) = diterima;
Interaksi = ( )
(dbantar2) = F hitung < F
− − =
tabel = Ha
ditolak;
(dbantar1)
Residu
(dbantar2) =
interaksi
(n − 1)
Tabel 42. Keterangan Istilah-Istilah

dan Simbol-Simbol Statistika dalam Tabel 41.
Istilah dan Simbol dalam

two-way repeated Keterangan
measures ANOVA
Antar Kelompok 1 Sumber variasi variabel independen pertama
Residu Antar Kelompok Sumber variasi error atau residu variabel independen pertama
1
Antar Kelompok 2 Sumber variasi variabel independen kedua
Residu Antar Kelompok Sumber variasi error atau residu variabel independen kedua
2
k1 Jumlah level perlakuan dalam variabel independen pertama
k2 Jumlah level perlakuan dalam variabel independen kedua
n Jumlah subjek penelitian yang sama yang diberi perlakuan secara
berulang
Jumah kuadrat skor masing-masing subjek penelitian
Jumlah kombinasi perlakuan variabel independen pertama dan

variabel independen kedua
SSantar1 Jumah kuadrat antarkelompok variabel independen pertama
Jumlah subjek penelitian yang sama yang diberi perlakuan secara
berulang dikalikan dengan jumlah level variabel independen
kedua
SSantar2 Jumah kuadrat antarkelompok variabel independen kedua
berulang dikalikan dengan jumlah level variabel independen
pertama
Jumah kuadrat error atau residu antarkelompok variabel
independen pertama
Jumah kuadrat error atau residu antarkelompok variabel
independen kedua
- 297 -
Jumah kuadrat mean atau rata-rata pasangan skor masing-masing

level perlakuan variabel independen kedua dalam masing-masing
level perlakuan variabel independen pertama
Jumlah pasangan mean atau rata-rata skor masing-masing level
perlakuan variabel independen kedua dalam masing-masing level
perlakuan variabel independen pertama
level perlakuan variabel independen pertama dalam masing-
masing level perlakuan variabel independen kedua
Jumlah pasangan mean atau rata-rata skor masing-masing level
perlakuan variabel independen pertama dalam masing-masing
level perlakuan variabel independen kedua
level perlakuan variabel independen kedua dalam masing-masing
level perlakuan variabel independen pertama
Kuadrat mean atau rata-rata pasangan skor masing-masing level
perlakuan variabel independen pertama dalam masing-masing
level perlakuan variabel independen kedua
berulang (n) dikalikan jumlah kombinasi perlakuan (c)
Jumah kuadrat interaksi variabel independen pertama dan
variabel independen kedua
Jumah kuadrat error atau residu interaksi variabel independen
pertama dan variabel independen kedua
Effect size dalam tiga uji F two-way repeated measures ANOVA bisa
dihitung menggunakan Partial Eta Squared dengan rumus sebagai berikut
(Bakeman, 2005):
B. Contoh Soal Two-Way Repeated Measures ANOVA
Seorang dosen tertarik meneliti pengaruh jenis dan durasi paparan

stimulasi terhadap kemampuan siswa sekolah dasar (SD) dalam menguasai
arti kata-kata abstrak seperti Bagus, Semangat, Sedih, Bebas, dan lain-lain.
Ide ini diuji melalui eksperimen dengan rancangan 2 (jenis stimulasi:
mengingat versus narasi dan gambar) by 2 (durasi paparan stimulasi: 30
- 298 -
detik versus 60 detik versus 80 detik) repeated measures. Dalam rancangan

eksperimen ini, 8 siswa SD direkrut dan diberi 6 perlakuan di laboratorium
secara berulang. Masing-masing perlakuan diberikan kepada 8 siswa yang
sama dalam selang waktu satu bulan. Perlakuan 1 adalah stimulasi
mengingat dalam durasi 30 detik. Perlakuan 2 adalah stimulasi mengingat
dalam durasi 60 detik. Perlakuan 3 adalah stimulasi mengingat dalam durasi
80 detik. Perlakuan 4 adalah stimulasi narasi dan gambar dalam durasi 30
detik. Perlakuan 5 adalah stimulasi narasi dan gambar dalam durasi 60 detik.
Perlakuan 6 adalah stimulasi narasi dan gambar dalam durasi 80 detik.
Dalam setiap perlakuan, kata-kata abstrak yang disajikan bersifat paralel,
yaitu kata-kata yang redaksinya berbeda tetapi diasumsikan memiliki makna
yang relatif sama.
Hipotesis kerja pertama (Ha1) yang diajukan dalam penelitian bersifat
dua arah (two-tailed), yang menyatakan bahwa “jenis stimulasi (mengingat
versus narasi dan gambar) berpengaruh signifikan terhadap kemampuan
menguasai arti kata-kata abstrak”. Hipotesis kerja kedua (Ha2) juga bersifat
dua arah (two-tailed), yang menyatakan bahwa “durasi paparan stimulasi
(30 detik versus 60 detik versus 80 detik) berpengaruh signifikan terhadap
kemampuan menguasai arti kata-kata abstrak”. Hipotesis ketiga dan
keempat bersifat satu arah (one-tailed) sebagai hipotesis minor dari hipotesis
kedua. Hipotesis ketiga (Ha3) menyatakan bahwa “durasi paparan stimulasi
80 detik dibandingkan durasi paparan stimulasi 30 detik lebih berpengaruh
terhadap kemampuan menguasai arti kata-kata abstrak”. Hipotesis keempat
(Ha4) menyatakan bahwa “durasi paparan stimulasi 80 detik dibandingkan
durasi paparan stimulasi 60 detik lebih berpengaruh terhadap kemampuan
menguasai arti kata-kata abstrak”. Hipotesis kelima (Ha5) bersifat dua arah
(two-tailed), yang menyatakan bahwa “jenis stimulasi dan durasi paparan
stimulasi berinteraksi dalam mempengaruhi kemampuan menguasai arti
kata-kata abstrak”. Hipotesis keenam sekaligus terakhir (Ha₆) merupakan
probing dari hipotesis kelima, yang dinyatakan secara satu arah (one-tailed),
yaitu “durasi paparan stimulasi (30 detik, 60 detik, 80 detik) memengaruhi
kemampuan menguasai arti kata-kata abstrak, terutama pada responden
yang diberi instruksi stimulasi narasi dan gambar dibandingkan dengan
responden yang diberi instruksi stimulasi menghafal atau ingatan”. Masing-
masing hipotesis diuji pada taraf signifikansi 0.01. Andaikan bahwa dalam
penelitian ini asumsi-asumsi dalam uji perbedaan two-way repeated
measures ANOVA terpenuhi. Tabel 43 di bawah ini menyajikan data hasil
penelitian.
- 299 -
Tabel 43. Data Hasil Penelitian Pengaruh Jenis Stimulasi dan Durasi Paparan
Stimulasi terhadap Kemampuan Siswa SD Menguasai Arti Kata-Kata Abstrak
dalam Rancangan Uji Perbedaan Two-Way Repeated Measures ANOVA.
Mengingat Narasi dan gambar

No.
Msubjek
Subjek
(30 (30
(60 s) (80 s) (60 s) (80 s)
s) X X X s) X X X
X2 X3 X5 X6
X1 X4
14.1667
1. 8 64 8 64 9 81 17 289 17 289 26 676
13.3333
2. 4 16 12 144 15 225 8 64 11 121 30 900
10.8333
3. 7 49 10 100 11 121 12 144 14 196 11 121
12.5
4. 7 49 12 144 12 144 10 100 11 121 23 529
13
5. 6 36 11 121 13 169 11 121 11 121 26 676
14.5
6. 9 81 11 121 11 121 12 144 15 225 29 841
12.5
7. 7 49 12 144 12 144 9 81 12 144 23 529
13.3333
8. 8 64 12 144 13 169 9 81 13 169 25 625
ƩX1 = (ƩX1)2 ƩX2=88 (ƩX2)2 ƩX3=96 (ƩX3)2 ƩX4 (ƩX4)2 ƩX5=104 (ƩX5)2 ƩX 6 (ƩX 6)2
56 = = = =88 = = =193 =
408 982 1174 1024 1386 4897
ƩX = 625; (ƩX)2 = 9871
n = 8;
MX1 MX2 = MX3 = MX4 MX5 = MX6 =
N = 48 13.0208
=7 11 12 = 11 13 24.125
MXk1(Mengingat) = (MX1 + MX2 + MX3)/3 MXk1(Narasi dan gambar) = (MX4 + MX5 +

= 10 MX6)/3 = 16.04166666666667
MXk2(30 s) = (MX1 + MX4)/2 = 9; MXk2(60 s) = (MX2 + MX5)/2 = 12; MXk2(80 s) = (MX3 +

MX6)/2 = 18.0625
Mengacu pada hasil perhitungan pada Tabel 43 di atas, langkah

pertama untuk menguji hipotesis penelitian adalah menghitung beberapa
jumlah kuadrat yang mencakup jumlah kuadrat total ( ), jumlah
kuadrat subjek ( ), jumlah kuadrat antarkelompok
( , ), jumlah kuadrat cell antarkelompok ( ,
), jumlah kuadrat residu antarkelompok ( ,
), jumlah kuadrat interaksi ( ), dan jumlah kuadrat
cell interaksi ( ), dan jumlah kuadrat residu interaksi
( ). Prosedur matematis untuk menghitung masing-masing
jumlah kuadrat adalah sebagai berikut:
- 300 -
- 301 -
Langkah berikutnya adalah mengompilasi hasil penghitungan di atas

melalui Tabel 44 di bawah ini untuk menentukan signifikansi nilai F hitung.
Tabel 44. Hasil Penghitungan Sumber Variasi, Derajat Bebas, Jumlah Kuadrat,
dan Mean Kuadrat untuk Menentukan Signifikansi Pengaruh Jenis Stimulasi
dan Durasi Paparan Stimulasi terhadap Kemampuan Siswa SD Menguasai Arti
Kata-Kata Abstrak.
Jumlah
Sumber Derajat Mean Kuadrat
Kuadrat Fhitung Ftabel & Sig.
Variasi bebas (db) (MS)
(SS)
F
= 12.25
k1 – 1 = (db 1= 1, db 2 =
Antar =
2–1 =1 438.021 = = 7, α =
Kelompok1 =
. 0.01);F >
= 438.021 .
= 37.94 F ; Ha
.
diterima.
- 302 -
( k1 − 1)
Residu
(n − 1) =
Antar = =
( 2 − 1) 80.813
Kelompok1
(8 − 1) = .
= 11.545
(1)(7) =7
F = 6.51
= (db 1= 2, db 2 =
k2 − 1 =
Antar 14, α =
3− 1= 682.042 = = =
Kelompok2 . 0.01);F >
2 . = 30.354
= 341.021 . F ; Ha
diterima.
(k2 − 1)
Residu
(n − 1) =
Antar = =
(3 − 1) 157.292
Kelompok2
(8 − 1) = .
= 11.235
(2)(7) = 14
F = 6.51
(dbantar1) (db 1= 2, db 2 =
(dbantar2) = = 14, α =
Interaksi 230.042 = =
(1)(2) = 2 = 0.01);F >
.
= 115.021 115.021 F ; Ha
= 17.769
6.473 diterima.
(dbantar1)
(dbantar2)
Residu (n − 1) = =
90.625
interaksi (1)(2)(7) = =
14 .
= 6.473
Mengacu pada Tabel 44 di atas, langkah berikutnya adalah menentukan

signifikansi masing-masing nilai F hitung. Langkah ini dilakukan melalui
pembandingan F hitung tersebut dengan nilai F Tabel pada taraf signifikansi
(α) = 0.01 (Lihat Tabel A.4 di Lampiran). Dengan derajat bebas (db) antar-
kelompok1 = 1, db Residu Antar Kelompok1= 7, dan taraf signifikansi =
0.01, nilai F tabel pengaruh instruksi adalah 12.25. Dengan derajat bebas
(db) antar-kelompok2 = 2, db Residu Antar Kelompok2= 14, dan taraf
signifikansi = 0.01, nilai F tabel pengaruh durasi atau waktu pengerjaan
adalah 6.51. Dengan derajat bebas (db) interaksi = 2, db Residu Interaksi =
14, dan taraf signifikansi = 0.01, nilai F tabel pengaruh interaksi adalah 6.51.
Kesimpulannya, nilai F hitung pengaruh instruksi (= 37.94), F hitung
pengaruh durasi atau waktu pengerjaan (= 30.354), dan F hitung interaksi
- 303 -
pengaruh instruksi dan durasi pengerjaan (= 17.769) adalah signifikan

karena masing-masing lebih besar dari nilai F tabel.
Menggunakan kalkulator online (https://www.socscistatistics.com
/pvalues/fdistribution.aspx; “P-Value from F-Ratio Calculator (ANOVA)”,
2022), dengan F-ratio value = 37.94, DF-numerator = 1, DF-denominator =
1, dan Significance Level = 0.01, nilai p dari F hitung pengaruh instruksi
adalah .000463. Dengan F-ratio value = 30.354, DF-numerator = 2, DF-
denominator = 14, dan Significance Level = 0.01, nilai p dari F hitung
pengaruh durasi pengerjaan adalah < .001. Dengan F-ratio value = 17.769,
DF-numerator = 2, DF-denominator = 14, dan Significance Level = 0.01,
nilai p dari F hitung interaksi adalah .000144. Mengacu pada hasil ini,
hipotesis pertama (Ha1), kedua (Ha2), dan kelima (Ha5) diterima.
Effect size menggunakan rumus Eta Squared untuk masing-masing dari
tiga faktor, yaitu pengaruh instruksi, durasi pengerjaan, dan pengaruh
interaksi instruksi dan durasi pengerjaan ditentukan sebagai berikut (Lihat
rumus 47.1, 47.2, dan 47.3):
Mengacu pada hasil penghitungan di atas, persentase pengaruh

instruksi terhadap kemampuan menghafalkan kata-kata abstrak adalah 84%.
Persentase pengaruh durasi pengerjaan terhadap kemampuan
menghafalkan kata-kata abstrak adalah 81%. Persentase pengaruh interaksi
- 304 -
antara instruksi dan durasi pengerjaan kemampuan menghafalkan kata-kata

abstrak adalah 72%.
Sementara itu, hipotesis ketiga (Ha₃) menyatakan bahwa durasi
paparan stimulasi 80 detik dibandingkan durasi paparan stimulasi 30 detik
lebih berpengaruh terhadap kemampuan menguasai arti kata-kata abstrak.
Analisis planned comparison berikut ini dilakukan untuk menguji hipotesis
ketiga.
Hipotesis keempat (Ha4) menyatakan bahwa durasi paparan stimulasi

80 detik dibandingkan durasi paparan stimulasi 60 detik lebih berpengaruh
terhadap kemampuan menguasai arti kata-kata abstrak. Analisis planned
comparison berikut ini dilakukan untuk menguji hipotesis keempat.
Nilai t hitung = 7.647 dan t hitung = 5.116 di atas, untuk menguji

signifikansinya, dibandingkan dengan nilai t tabel dengan derajat bebas (db)
= 14 (= 8 + 8 − 2). Dengan db = 14, nilai t tabel atas dasar taraf signifikansi
(α) = 0.01 dan hipotesis satu arah (one-tailed) adalah 2.624 (Lihat Tabel A.2
di Lampiran). Karena nilai t hitung apriori comparison durasi paparan
stimulasi 80 detik dibandingkan durasi paparan stimulasi 30 detik (= 7.647)
dan durasi paparan stimulasi 80 detik dibandingkan durasi paparan
stimulasi 60 detik (= 5.116) lebih besar dari nilai t tabel (= 2.624) maka
hipotesis ketiga (Ha3) dan hipotesis keempat (Ha4) diterima.
- 305 -
C. Pengerjaan Contoh Soal Two-Way Repeated Measures ANOVA

Menggunakan JASP
Langkah-langkah berikut ini merinci cara pengerjaan contoh soal two-
way repeated meaures ANOVA menggunakan JASP. Data mentah contoh
soal two-way within-subjects ANOVA ini bisa diunduh dalam format CSV
di OSF dengan link: https://bit.ly/TwoWayRepeatedMeasuresANOVA
Langkah 1. Membuat file data input dalam format Excel (xlsx). Input data
dalam bentuk skala interval untuk X1 (Mengingat 30 detik), X2 (Mengingat
60 detik), X3 (Mengingat 80 detik), X4 (Narasi dan Gambar 30 detik), X5
(Narasi dan Gambar 60 detik), dan X6 (Narasi dan Gambar 80 detik).
Langkah 2. Mengubah file data input dalam format Excel menjadi format
Comma Delimited (CSV).
- 306 -
Langkah 3. Menjalankan JASP dan mengeklik So open a data file and take
JASP for a spin!. Mengarahkan kursor ke menu Browse di bawah Recent
Folders. Menemukan file CSV yang diinginkan dan mengeklik open.
Langkah 4. Menjalankan JASP dengan mengatur atau menetapkan X1

(Mengingat 30 detik), X2 (Mengingat 60 detik), X3 (Mengingat 80 detik), X4
(Narasi dan Gambar 30 detik), X5 (Narasi dan Gambar 60 detik), dan X6
(Narasi dan Gambar 80 detik) sebagai variabel berskala interval (scale).
Langkah 5. Memilih menu ANOVA dan selanjutnya memilih submenu

Repeated Measures ANOVA (Classical).
- 307 -
Langkah 6. Di bawah Kotak menu Repeated Measures Factors, mengganti

RM Factor 1 dengan label Instruksi dan mengganti Level 1 dengan label
Menghafal dan Level 2 dengan label Narasi dan Gambar. Menambahkan RM
Factor 2 dan memberi label Waktu Pengerjaan dengan 3 level. Level pertama
diberi label 30 detik, level 2 diberi label 60 detik, dan level 3 diberi label 80
detik. Menggeser atau memindahkan X1, X2, X3, X4, X5, dan X6 dari Kotak
Repeated Measures ANOVA ke Kotak Repeated Meaures Cells. Di bawah
menu Display, mencentang opsi Descriptive statistics dan Estimates of effect
size (partial η2).
- 308 -
Langkah 7. Mengecek hasil atau Results Langkah 6 di layar sebelah kanan

Langkah 8. Sebagai tindak-lanjut Langkah 6, klik menu Contrasts di bawah

menu Assumption Checks. Pilih opsi custom. Menspesifikasi Contrast 1
dengan menandai 30 detik = -1, 60 detik = 0, 80 detik = 1. Menambahkan
Contrast 2 dengan menandai 30 detik = 0, 60 detik = -1, 80 detik = 1.
Menambahkan Contrast 3 dengan menandai 30 detik = -1, 60 detik = 1, 80
detik = 0.
- 309 -

Langkah 10. Menguji Hipotesis keenam (Ha6) dengan mengeklik menu

Simple Main Effects. Langkah berikutnya adalah Memindahkan Waktu
Pengerjaan dari kotak Factors ke kotak Simple Effect Factor, dan Instruksi
dari kotak Factors ke kotak Moderator Factor 1. Mencentang opsi Pool error
terms.
- 310 -
Laporan hasil pengerjaan contoh soal two-way repeated measures

ANOVA sesuai kaidah APA edisi 7
Analisis two-way repeated measures ANOVA menunjukkan bahwa,
sesuai hipotesis pertama (Ha1), instruksi (menghafal versus narasi dan
gambar) berpengaruh signifikan terhadap kemampuan memahami arti
kata-kata abstrak, F(1, 7) = 37.94, p < .001, η2 = .84. Hipotesis kedua (Ha2)
juga diterima karena durasi pengerjaan (30 detik versus 60 detik versus 80
detik) berpengaruh secara signifikan terhadap kemampuan memahami arti
kata-kata abstrak, F(2, 14) = 30.35, p < .001, η2 = .81. Hipotesis ketiga (Ha3)
diterima karena tingkat kemampuan memahami arti kata-kata abstrak pada
kondisi durasi pengerjaan 80 detik (M = 7.58, SD = 4.33) lebih tinggi secara
signifikan dibandingkan kemampuan memahami arti kata-kata abstrak
pada kondisi durasi pengerjaan 30 detik (M = 7.58, SD = 2.27), t(14) = 7.65,
p < .001. Mendukung hipotesis keempat (Ha4), tingkat kemampuan
memahami arti kata-kata abstrak pada kondisi durasi pengerjaan 80 detik
(M = 7.58, SD = 4.33) lebih tinggi secara signifikan dibandingkan
kemampuan memahami arti kata-kata abstrak pada kondisi durasi
pengerjaan 60 detik (M = 7.58, SD = 1.85), t(14) = 5.12, p < .001. Hipotesis
kelima (Ha5) diterima karena instruksi dan durasi pengerjaan secara
signifikan berinteraksi dalam memengaruhi kemampuan memahami arti
kata-kata abstrak, F(2, 14) = 17.77, p < .001, η2 = .72. Hipotesis keenam (Ha6)
juga diterima karena pengaruh durasi pengerjaan terhadap kemampuan
memahami arti kata-kata abstrak lebih kuat pada kondisi instruksi narasi
dan gambar, F(2) = 35.61, p < .001, dibandingkan dengan kondisi instruksi
menghafal, F(2) = 4.98, p = .023.
Dalam laporan di atas, deviasi standar (SD) = 1.31 untuk tingkat
kemampuan memahami arti kata-kata abstrak pada kondisi durasi
pengerjaan 80 detik secara manual bisa dihitung dengan rumus sebagai
berikut:
- 311 -
Deviasi standar (SD) = 1.51 untuk kemampuan memahami arti kata-

kata abstrak pada kondisi durasi pengerjaan 30 secara manual bisa dihitung
Deviasi standar (SD) = 1.54 untuk kemampuan memahami arti kata-

kata abstrak pada kondisi durasi pengerjaan 60 detik secara manual bisa
dihitung dengan rumus sebagai berikut:
D. Uji Asumsi Contoh Soal Two-Way Repeated Measures ANOVA

Asumsi pertama dalam two-way repeated measures ANOVA adalah
normalitas distribusi variabel dependen dalam masing-masing kelompok,
kategori, atau level perlakuan variabel independen yang diberikan secara
berulang kepada kelompok responden yang sama (Goss-Sampson, 2020).
- 312 -
Untuk menguji asumsi ini, langkahnya adalah mengeklik menu Descriptives

dan memindahkan X1, X2, X3, X4, X5, dan X6 dari kotak Descriptive
Statistics ke kotak Variables. Langkah berikutnya adalah mengeklik menu
Statistics dan mencentang opsi Shapiro-Wilk Test.
Nilai p Shapiro-Wilk untuk X2 (= 0.014) dan X6 (= 0.037) adalah

signifikan karena lebih kecil dari 0.05. Kesimpulannya, skor X2 dan X6
terdistribusi secara tidak normal. Nilai p Shapiro-Wilk untuk X1 (= 0.416),
X3 (= 0.876), X4 (= 0.148), dan X5 (= 0.199) adalah tidak signifikan karena
lebih besar dari 0.05. Kesimpulannya, skor X1, X3, X4, dan X5 terdistribusi
secara normal.
Untuk menguji asumsi homogenitas varians, langkahnya adalah
mengeklik menu ANOVA, Repeated Measures ANOVA (classical). Langkah
berikutnya adalah di bawah Kotak menu Repeated Measures Factors,
mengganti RM Factor 1 dengan label Instruksi dan mengganti Level 1
dengan label Menghafal dan Level 2 dengan label Narasi dan Gambar.
- 313 -
Menambahkan RM Factor 2 dan memberi label Waktu Pengerjaan dengan

3 level. Level pertama diberi label 30 detik, level 2 diberi label 60 detik, dan
level 3 diberi label 80 detik. Menggeser atau memindahkan X1, X2, X3, X4,
X5, dan X6 dari Kotak Repeated Measures ANOVA ke Kotak Repeated
Meaures Cells. Langkah terakhir, mengeklik menu Assumption Checks dan
mencentang opsi Sphericity tests.
Hasil Mauchy’s test menunjukkan bahwa variansi skor kemampuan

memahami arti kata-kata abstrak pada perlakuan waktu pengerjaan adalah
tidak homogen karena nilai W(2) = 0.257 adalah signifikan (p = 0.017 lebih
kecil dari 0.05). Kesimpulannya, asumsi sphericity variansi skor
kemampuan memahami arti kata-kata abstrak pada perlakuan waktu
pengerjaan tidak terpenuhi. Sementara itu, variansi skor kemampuan
memahami arti kata-kata abstrak pada kombinasi perlakuan instruksi dan
waktu pengerjaan adalah homogen karena nilai W(2) = 0.384 adalah tidak
signifikan (p = 0.056 lebih besar dari 0.05). Kesimpulannya, asumsi
sphericity variansi skor kemampuan memahami arti kata-kata abstrak pada
kombinasi perlakuan instruksi dan waktu pengerjaan terpenuhi.
- 314 -
Dalam contoh soal kedua two-way repeated measures ANOVA, asumsi

normalitas distribusi data dan sphericity varians tidak terpenuhi. Dengan
demikian, solusi yang bisa dilakukan adalah mengganti two-way repeated
measures ANOVA dengan padanan nonparametriknya, yaitu Friedman Test
yang tidak mensyaratkan terpenuhinya asumsi normalitas distribusi data
(Mashuri, 2022b).
- 315 -
BAB 17
Uji Perbedaan Mixed Anova
A. Pengantar Mixed ANOVA
Mixed ANOVA, identik dengan two-way between-subjects

ANOVA dan two-way repeated mesures ANOVA, melibatkan dua
atau lebih variabel independen untuk menguji peran atau
pengaruhnya terhadap sebuah variabel dependen. Istilah ‘mixed’
dalam mixed ANOVA menunjuk pada desain campuran dalam dua
atau lebih variabel independen, yang membedakannya dengan two-
way between-subjects ANOVA dan two-way repeated mesures
ANOVA. Dalam mixed ANOVA, variabel independen tertentu
dirancang dalam bentuk between-subjects atau independent samples
sehingga sampel atau kelompok subjek penelitian yang berbeda
dimasukkan ke dalam kategori atau diberi perlakuan yang berbeda
dalam variabel independen tersebut. Variabel independen lain
dirancang dalam bentuk repeated measures atau paired samples
sehingga sampel atau kelompok subjek penelitian yang sama diberi
perlakuan yang berbeda secara berulang dalam variabel independen
tersebut (King dkk., 2021).
Sama seperti two-way between subjects ANOVA dan two-way
repeated measures ANOVA, dalam mixed ANOVA, kategori,
- 316 -
kelompok, atau level perlakuan dalam masing-masing variabel

independen berjumlah dua (nominal dikotomi) atau lebih (nominal
politomi). Mixed ANOVA juga melibatkan interaksi antar variabel
independen, identik dengan two-way between subjects ANOVA dan
two-way repeated measures ANOVA. Perbedaannya adalah dalam
mixed ANOVA, interaksi tidak hanya melibatkan dua atau lebih
variabel independen dengan desain yang sama, baik itu between-
subjects seperti dalam two-way between subjects ANOVA atau
repeated measures seperti dalam two-way repeated measures ANOVA.
Interaksi dalam mixed ANOVA melibatkan kombinasi desain
between-subjects dan repeated measures dalam dua atau lebih variabel
independen (King dkk., 2021).
Mixed ANOVA memiliki beberapa asumsi yang
menggabungkan asumsi dalam two-way between-subjects ANOVA
dan two-way repeated measures ANOVA (Girden, 1992). Beberapa
syarat asumsi tersebut adalah variabel dependen yang harus
terdistribusi secara normal dalam masing-masing kategori,
kelompok, atau perlakuan variabel independen. Kedua, varians
variabel dependen harus sama dalam masing-masing kategori,
kelompok, atau perlakuan variabel independen. Dalam two-way
between-subjects ANOVA, syarat kedua ini disebut dengan istilah
homogenity of variance, sementara dalam two-way repeated measures
ANOVA, syarat ini disebut denga istilah sphericity.
Tabel 45 di bawah ini menampilkan prosedur matematis uji F
mixed ANOVA untuk menentukan signifikansi pengaruh dua
variabel independen dan interaksinya terhadap sebuah variabel
dependen (King dkk., 2021).
- 317 -

Mean Kuadrat untuk Menentukan Signifikansi Uji Perbedaan
Mixed ANOVA.
Derajat
Sumber Jumlah Kuadrat Mean Kuadrat Ftabel
bebas Fhitung
Variasi (SS) (MS) & Sig.
(db)
Fhitung >
Ftabel = Ha
∑
Faktor1 = diterima.
(between- k1 − 1 ( )( ) Fhitung <
(Ʃ ) = =
subjects) − Ftabel = Ha
ditolak.
Residu
∑( × )
Faktor1 =
( k1 − 1)
(between-
( − 1) ∑ =
subjects) −
( )( )
Fhitung >
Ftabel = Ha
Faktor2 ∑
= diterima.
(repeated k2 − 1 ( )( ) = = Fhitung <
measures) (Ʃ )
− Ftabel = Ha
ditolak
∑( × )
= Fhitung >
( k1 − 1) ∑ Ftabel = Ha
Interaksi −
( k2− 1) ( )( ) diterima.
(Faktor1)
∑ = = Fhitung <
(Faktor2) −
( )( ) Ftabel = Ha
(Ʃ ) ditolak
+
= Ʃ
∑( × )
−
( k1)
Residu
( k2− 1) ∑( × )
interaksi − =
(n − 1)
∑
+
( )( )
Total N −1 (Ʃ )
= Ʃ −

Penjelasan arti atau makna simbol di dalam Tabel 45 di atas bisa
mengacu pada Tabel 46 berikut ini.
- 318 -

dalam Mixed ANOVA.
Istilah dan Simbol dalam mixed
Keterangan
ANOVA
Faktor1 (between-subjects) Sumber variasi variabel independen between-subjects

Residu Faktor1 (between- Sumber variasi error atau residu variabel independen
subjects) between-subjects
Faktor2 (repeated measures) Sumber variasi variabel independen repeated measures

Residu Faktor2 (repeated Sumber variasi error atau residu variabel independen
measures) repeated measures
Interaksi (Faktor1) (Faktor2) Sumber variasi interaksi variabel independen between-
subjects (Faktor 1) dan variabel independen repeated
measures (Faktor 2)
Residu interaksi Sumber variasi error interaksi variabel independen
between-subjects (Faktor 1) dan variabel independen
repeated measures (Faktor 2)
k1 Jumlah kategori atau level perlakuan dalam faktor 1
(variabel independen between-subjects)
k2 Jumlah kategori atau level perlakuan dalam faktor 2
(variabel independen repeated measures)
Jumlah subjek dalam masing-masing sel mixed ANOVA
Penjumlahan skor total variabel dependen dalam masing-

masing kategori, kelompok, atau level perlakuan variabel
independen between-subjects (faktor 1) dalam masing-
independen repeated measures (faktor 2) untuk seluruh
subjek penelitian
Penjumlahan skor total variabel dependen dalam masing-
independen repeated measures (faktor 2) dalam masing-
independen between-subjects (faktor 1) untuk seluruh
subjek penelitian
× Penjumlahan skor variabel dependen dalam masing-
independen between-subjects (faktor 1) dalam masing-
independen repeated measures (faktor 2) per subjek
penelitian
× Penjumlahan skor variabel dependen dalam masing-
independen repeated measures (faktor 2) dalam masing-
- 319 -
independen between-subjects (faktor 1) per subjek

penelitian
Ʃ Penjumlahan skor variabel dependen per subjek penelitian
dalam masing-masing kategori, kelompok, atau level
perlakuan variabel independen between-subjects (faktor 1)
dan variabel independen repeated measures (faktor 2)
Ʃ Kuadrat penjumlahan skor variabel dependen per subjek
penelitian dalam masing-masing kategori, kelompok, atau
level perlakuan variabel independen between-subjects
(faktor 1) dan variabel independen repeated measures
(faktor 2)
Jumlah observasi, yaitu jumlah subjek penelitian dalam
semua kategori, kelompok, atau level perlakuan variabel
independen between-subjects (faktor 1) dikalikan jumlah
kategori, kelompok, atau level perlakuan variabel
independen repeated measures (faktor 2)
Effect size dalam mixed ANOVA bisa menggunakan rumus

Partial Eta Squared untuk masing-masing dari tiga faktor, yaitu faktor
1 (between-subjects), faktor 2 (repeated measures), dan faktor 3
(interaksi). Formula Partial Eta Squared dalam mixed ANOVA
adalah sebagai berikut (Cohen, 2013):
Planned comparison dalam mixed ANOVA bisa dilakukan ketika

salah satu dari dua faktor, baik yang bersifat between-subjects atau
repeated measures, terdiri dari dua atau lebih kategori, kelompok, atau
level perlakuan. Rumus planned comparison dalam mixed ANOVA
adalah sebagai berikut (Sheskin, 2011):
(48)
- 320 -
−
=
(2)( )/

kategori/level perlakuan pembanding pertama.
kategori/level perlakuan pembanding berikutnya.
2 = Nilai konstanta.
= Jumlah total subjek penelitian.
B. Contoh Soal Mixed ANOVA

Mengacu pada teori dan riset-riset sebelumnya yang relevan,
seorang peneliti berminat menjelaskan fanatisme suporter sepakbola
atas dasar dua faktor. Faktor pertama adalah kinerja wasit dan faktor
kedua adalah rivalitas. Untuk menguji idenya tersebut, peneliti
melakukan eksperimen dengan desain 2 (kinerja wasit: tidak fair
versus fair) by 2 (rivalitas: rendah versus sedang versus tinggi) mixed
ANOVA. Kinerja wasit sebagai variabel independen pertama bersifat
between-subjects sementara rivalitas sebagai variabel independen
kedua bersifat repeated measures.
Eksperimen dilakukan di laboratorium dengan merekrut 16
suporter sebuah klub sepakbola. Melalui randomisasi, 8 suporter
diberikan perlakuan kinerja wasit yang tidak fair sementara 8
suporter yang lain diberi perlakuan kinerja wasit yang fair. Partisipan
dalam kondisi kinerja wasit yang tidak fair diinstruksikan mengingat
dan mendeskripsikan pengalaman mereka terkait wasit yang mereka
observasi memimpin pertandingan sepakbola secara tidak adil atau
memihak ke pihak lawan. Partisipan dalam kondisi kinerja wasit yang
fair diinstruksikan mengingat dan mendeskripsikan pengalaman
mereka terkait wasit yang mereka observasi memimpin pertandingan
sepakbola secara adil. Setelah diberi instruksi kinerja wasit, masing-
- 321 -
masing kelompok subjek diminta menyebutkan dan menceritakan

sebuah klub sepakbola lain yang mereka anggap tidak menjadi
pesaing klub mereka (rivalitas rendah). Di akhir sesi eksperimen,
masing-masing kelompok partisipan diminta menjawab sejumlah
pertanyaan untuk mengukur fanatisme terhadap klub sepakbola. Dua
minggu berikutnya, masing-masing kelompok subjek penelitian
diminta menyebutkan dan menceritakan sebuah klub sepakbola lain
yang mereka anggap cukup menjadi pesaing klub mereka (rivalitas
sedang). Fanatisme terhadap klub sepakbola selanjutnya diukur di
akhir sesi eksperimen. Dua minggu berikutnya lagi, masing-masing
kelompok subjek penelitian diminta menyebutkan dan menceritakan
sebuah klub sepakbola lain yang mereka anggap menjadi pesaing
berat klub mereka (rivalitas tinggi). Mengulang prosedur
sebelumnya, fanatisme terhadap klub sepakbola diukur di akhir sesi
eksperimen. Untuk menghindari faktor retensi atau ingatan,
pertanyaan dalam skala fanatisme diacak sehingga urutannya tidak
identik dalam tiga kali pengukuran tersebut.
Peneliti mengajukan lima hipotesis. Hipotesis pertama (Ha1)
adalah “kinerja wasit (tidak fair versus fair) berpengaruh signifikan
terhadap fanatisme suporter klub sepakbola”. Hipotesis kedua (Ha2)
adalah “rivalitas (rendah versus sedang versus tinggi) berpengaruh
signifikan terhadap fanatisme suporter klub sepakbola”. Hipotesis
ketiga (Ha3) adalah “rivalitas tinggi dibandingkan rivalitas rendah
lebih berpengaruh terhadap fanatisme suporter klub sepakbola”.
Hipotesis keempat (Ha4) adalah “rivalitas tinggi dibandingkan
rivalitas sedang lebih berpengaruh terhadap fanatisme suporter klub
sepakbola”. Hipotesis kelima (Ha5) adalah “kinerja wasit dan rivalitas
berinteraksi dalam memengaruhi fanatisme suporter klub
sepakbola”. Hipotesis keenam sekaligus terakhir (Ha6) merupakan
probing dari hipotesis kelima, yang dinyatakan secara satu arah (one-
tailed), yaitu “rivalitas (rendah versus sedang versus tinggi)
memengaruhi fanatisme suporter klub sepakbola, terutama pada
responden pada kondisi kinerja wasit tidak fair dibandingkan dengan
pada kondisi kinerja wasit yang fair”. Andaikan bahwa dalam
penelitian ini, asumsi-asumsi mixed ANOVA terpenuhi. Masing-
- 322 -
masing hipotesis diuji pada taraf signifikansi (α) = 0.01. Tabel 47 di

bawah ini menyajikan data hasil penelitian.
Tabel 47. Data Hasil Penelitian Pengaruh Kinerja Wasit dan Rivalitas
terhadap Fanatisme Klub Sepakbola dalam Rancangan Uji Perbedaan
Mixed ANOVA.
Kinerja Wasit Tidak Fair (A1) Kinerja Wasit Fair (A2)
No. Rivali
No. Rivali Rivali
Rivalitas Rivalitas Subj tas
Subjek Rivalitas tas tas
sedang tinggi ek sedan
rendah (B1) renda tinggi
(B2) (B3) g
h (B1) (B3)
(B2)
1. 8 8 9 9. 17 17 26
2. 4 12 15 10. 8 11 30
3. 7 10 11 11. 12 14 11
4. 7 12 12 12. 10 11 23
5. 6 11 13 13. 11 11 26
6. 9 11 11 14. 12 15 29
7. 7 12 12 15. 9 12 23
8. 8 12 13 16. 9 13 25
ƩB2A ƩB3A
ƩB3A1 = ƩB1A
ƩB1A1 = 56 ƩB2A1 = 88 2= 2=
96 2 = 88
104 193
Hasil penghitungan dalam Tabel 47 di atas selanjutnya

dikembangkan dan diolah dalam Tabel 48 sebagai berikut.
Tabel 48. Pengembangan Data dalam Tabel 47.
Kinerja Wasit (A) x
Kinerja Wasit (A) x Subjek
Rivalitas (B)
Jumlah
No. Subjek A1 No. Subjek A2 B1 B2 B3
1. 25 9. 60 A1 56 88 96 240
2. 31 10. 49 A2 88 104 193 385
3. 28 11. 37 Jumlah 144 192 289 625
4. 31 12. 44
5. 30 13. 48
6. 31 14. 56
- 323 -
7. 31 15. 44
8. 33 16. 47
Jumlah 240 Jumlah 385

Rata-rata
Rata-rata (M) 30 48.125
(M)
Mengacu pada tabel di atas, langkah awal untuk menguji

hipotesis penelitian adalah menghitung nilai jumlah kuadrat total
( ), jumlah kuadrat faktor 1 atau variabel independen between-
subjects ( ) dan residunya ( ), jumlah kuadrat
faktor 2 atau variabel independen repeated measures ( ) dan
residunya ( ), serta jumlah kuadrat interaksi
( ) dan residunya ( ).
- 324 -
Tabel 49 di bawah ini mengkompilasi hasil penghitungan di

atas untuk menguji signifikansi nilai F hitung.
Tabel 49. Hasil Sumber Variasi, Derajat Bebas, Jumlah Kuadrat, dan
Mean Kuadrat untuk Menentukan Signifikansi Pengaruh Kinerja Wasit
dan Rivalitas terhadap Fanatisme Klub Sepakbola dalam Rancangan Uji
Perbedaan Mixed ANOVA.
Jumlah
Sumber Derajat
Kuadrat Mean Kuadrat (MS) Fhitung Fhitung & Sig.
Variasi bebas (db)
(SS)
Ftabel = 8.86
=
Faktor1 k1 – 1 = (db faktor1 =
(between- =2–1 438.02 438.02 1, db residu
. =
subjects) =1 = 9.640 faktor 1 = 14,
= 438.02 α = 0.01);
= 45.438
Residu
( k1 − 1)
Faktor1 =
( − 1)
(between- 134.9583
= (2)(8 .
subjects) =
− 1) = 14
= 9.640
- 325 -
Ftabel = 5.45
Faktor2 k2 – 1 = (db faktor2 =
=
(repeated =3 – 1 682.0417 341.0209 2, db residu
. =
measures) =2 = 8.8542 faktor 2 = 28,
= 341.0209 α = 0.01);
= 38.5152
( k1 − 1)
Ftabel = 5.45
( k2− 1) =
Interaksi = (db interaksi
= (2 − 1)(3
(Faktor1) 230.0416 115.0208 = 2, db residu
− 1) = 2 =
. =
(Faktor2) 8.8542 interaksi =
= 115.0208 28, α = 0.01);
= 12.9905
( k1)
( k2− 1)
(n − 1)
Residu =
= 247.9167
interaksi (2)
.
=
(3− 1) = 8.8542
(8 − 1)
= 28
N −1
Total = 48 – 1 438.02
= 47
Mengacu pada Tabel 49 di atas, langkah berikutnya adalah

menentukan signifikansi nilai F hitung faktor 1 (efek kinerja wasit),
faktor 2 (efek rivalitas), dan interaksi. Kita membandingkan masing-
masing nilai F hitung tersebut dengan F Tabel pada taraf signifikansi
(α) = 0.01 (Lihat Tabel A.4 di Lampiran). Dengan derajat bebas (db)
faktor 1 = 1, db residu faktor 1 = 14, dan taraf signifikansi = 0.01, nilai
F tabel efek atau pengaruh kinerja wasit terhadap fanatisme klub
sepakbola adalah 8.86. Dengan derajat bebas (db) faktor 2 = 2, db
residu interaksi = 28, dan taraf signifikansi = 0.01, nilai F tabel
pengaruh rivalitas terhadap fanatisme klub sepakbola adalah 5.45.
Dengan derajat bebas (db) interaksi = 2, db residu interaksi = 28, dan
taraf signifikansi = 0.01, nilai F tabel pengaruh interaksi adalah 5.45.
Kesimpulannya, nilai F hitung faktor 1 (= 45.438), F hitung faktor 2
(= 38.5152), dan F hitung interaksi (= 12.9905) adalah signifikan
karena lebih besar dari nilai F tabel.
Menggunakan kalkulator online (https://www.socscistatistics.
com /pvalues/fdistribution.aspx; “P-Value from F-Ratio Calculator
(ANOVA)”, 2022), dengan F-ratio value = 45.438, DF-numerator = 1,
- 326 -
DF-denominator = 14, dan Significance Level = 0.01, nilai p dari F

hitung faktor 1 (pengaruh kinerja wasit) adalah < .000. Dengan F-
ratio value = 38.5152, DF-numerator = 2, DF-denominator = 28, dan
Significance Level = 0.01, nilai p dari F hitung faktor 2 (pengaruh
rivalitas) adalah < .001. Dengan F-ratio value = 12.9905, DF-
numerator = 2, DF-denominator = 28, dan Significance Level = 0.01,
nilai p dari F hitung interaksi adalah .000102. Mengacu pada hasil ini,
hipotesis pertama (Ha1), kedua (Ha2), dan kelima (Ha5) diterima.
Effect size menggunakan rumus Partial Eta Squared untuk
masing-masing dari tiga faktor, yaitu pengaruh kinerja wasit,
pengaruh rivalitas, dan pengaruh interaksi kinerja wasit dan rivalitas
sebagai berikut:
Mengacu pada hasil penghitungan di atas, persentase pengaruh

kinerja wasit terhadap fanatisme klub sepakbola adalah 76%.
Persentase pengaruh rivalitas terhadap fanatisme klub sepakbola
adalah 73%. Persentase pengaruh interaksi antara kinerja wasit dan
rivalitas terhadap fanatisme klub sepakbola adalah 48%.
Hipotesis ketiga (Ha3) dalam contoh penelitian mixed ANOVA
di atas menyatakan bahwa rivalitas tinggi dibandingkan rivalitas
- 327 -
rendah lebih berpengaruh terhadap fanatisme klub sepakbola.

Analisis planned comparison berikut ini dilakukan untuk menguji
hipotesis ketiga.
− −
= =
(2)( )/ (2)( )/
. .
= ( )( . )/
= .
= 8.614
Hipotesis keempat (Ha4) dalam contoh penelitian mixed

ANOVA di atas menyatakan bahwa rivalitas tinggi dibandingkan
rivalitas sedang lebih berpengaruh terhadap fanatisme klub
sepakbola. Analisis planned comparison berikut ini dilakukan untuk
menguji hipotesis keempat.
− −
= =
(2)( )/ (2)( )/
. .
= = = 5.763
( )( . )/ .
Signifikansi nilai t hitung = 8.614 dan t hitung = 5.763 di atas

ditentukan dengan membandingkan masing-masing t hitung tersebut
dengan nilai t tabel. Acuan yang digunakan untuk menentukan nilai
t tabel adalah derajat bebas (db) residu interaksi, yaitu 28, taraf
signifikansi (α) = 0.01, serta hipotesis satu arah (one-tailed). Dengan
kriteria tersebut, nilai t tabel adalah 2.467 (Lihat Tabel A.2 di
Lampiran). Karena nilai t hitung apriori comparison rivalitas tinggi
dibandingkan rivalitas rendah (= 7.647) dan rivalitas tinggi
dibandingkan rivalitas sedang (= 5.116) lebih besar dari nilai t tabel
(= 2.467) maka hipotesis ketiga (Ha3) dan hipotesis keempat (Ha4)
diterima.
- 328 -
C. Pengerjaan Contoh Soal Mixed ANOVA Menggunakan JASP

soal mixed ANOVA menggunakan JASP. Data mentah mixed
ANOVA ini bisa diunduh dalam format CSV di OSF dengan link:
https://bit.ly/MixedANOVA1
data dalam bentuk skala nominal teks untuk Kinerja Wasit (A) dan
skala interval untuk Rivalitas Rendah (B1), Rivalitas Sedang (B2), dan
Rivalitas Tinggi (B3).

- 329 -

mengeklik open.

Kinerja Wasit (A) sebagai skala nominal teks dan skala interval untuk
Rivalitas Rendah (B1), Rivalitas Sedang (B2), dan Rivalitas Tinggi
(B3).

submenu Repeated Measures ANOVA (Classical).
- 330 -
Langkah 6. Di bawah Kotak menu Repeated Measures Factors,

mengganti RM Factor 1 dengan label Rivalitas dan mengganti Level 1
dengan label Rendah, Level 2 dengan label Sedang dan Level 3 dengan
label Tinggi. Menggeser atau memindahkan Rivalitas Rendah (B1),
Rivalitas Sedang (B2), dan Rivalitas Tinggi (B3) dari Kotak Repeated
Measures ANOVA ke Kotak Repeated Meaures Cells. Menggeser atau
memindahkan Kinerja Wasit (A) dari Kotak Repeated Measures
ANOVA ke Kotak Between Subjects Factors. Di bawah menu Display,
mencentang opsi Descriptive statistics dan Estimates of effect size
(memilih opsi partial η2).
- 331 -


bawah menu Assumption Checks. Pilih opsi custom untuk Rivalitas.
Menspesifikasi Contrast 1 dengan menandai Rivalitas Rendah = -1,
Rivalitas Sedang = 0, Rivalitas Tinggi = 1. Menambahkan Contrast 2
dengan menandai Rivalitas Rendah = 0, Rivalitas Sedang = -1,
Rivalitas Tinggi = 1.

- 332 -
Langkah 10. Menguji Hipotesis keenam (Ha6) dengan mengeklik

menu Simple Main Effects. Langkah berikutnya adalah
Memindahkan Rivalitas dari kotak Faktors ke kotak Simple Effect
Factor, Kinerja Wasit dari kotak Faktors ke kotak Moderator Factor
1. Mencentang opsi Pool error terms.

- 333 -
Laporan hasil pengerjaan contoh soal mixed ANOVA sesuai kaidah

APA edisi 7
Analisis mixed ANOVA menunjukkan bahwa, sesuai hipotesis
pertama (Ha1), kinerja wasit (tidak fair versus fair) berpengaruh
signifikan terhadap fanatisme suporter klub sepakbola, F(1, 14) =
45.44, p < .001, η2 = .76. Hipotesis kedua (Ha2) juga diterima karena
rivalitas (rendah versus sedang versus tinggi) berpengaruh secara
signifikan terhadap fanatisme suporter klub sepakbola, F(2, 28) =
38.52, p < .001, η2 = .73. Hipotesis ketiga (Ha3) diterima karena tingkat
fanatisme suporter klub sepakbola pada kondisi rivalitas tinggi (M =
18.06, SD = 7.53) lebih tinggi secara signifikan dibandingkan
fanatisme suporter klub sepakbola pada kondisi rivalitas rendah (M =
9.00, SD = 3.01), t(14) = 7.65, p < .001. Mendukung hipotesis keempat
(Ha4), fanatisme suporter klub sepakbola pada kondisi rivalitas tinggi
(M = 18.06, SD = 7.53) lebih tinggi secara signifikan dibandingkan
fanatisme suporter klub sepakbola pada kondisi rivalitas sedang (M =
12.00, SD = 2.07), t(14) = 5.12, p < .001. Hipotesis kelima (Ha5)
diterima karena kinerja wasit dan rivalitas secara signifikan
berinteraksi dalam memengaruhi fanatisme suporter klub sepakbola,
F(2, 28) = 12.99, p < .001, η2 = .48. Hipotesis keenam (Ha6) juga
diterima karena pengaruh rivalitas terhadap fanatisme suporter klub
sepakbola lebih kuat pada kondisi kinerja wasit yang tidak fair, F(2) =
45.18, p < .001, dibandingkan dengan kondisi kinerja wasit yang fair,
F(2) = 6.33, p = .005.
Dalam laporan di atas, penghitungan nilai rata-rata (M) dan
deviasi standar (SD) untuk fanatisme suporter klub sepakbola pada
kondisi rivalitas tinggi, sedang, dan rendah menggunakan JASP
dengan cara sebagai berikut:
- 334 -
Pertama, mengeklik menu Descriptives. Kedua, memindahkan

Rivalitas Rendah (B1), Rivalitas Sedang (B2), dan Rivalitas Tinggi
(B3) dari kotak Descriptive Statistics ke kotak Variables. Proses dan
hasilnya bisa dilihat pada screenshot sebagai berikut:
Hasilnya bisa dicek sebagai berikut:
D. Uji Asumsi Contoh Soal Mixed ANOVA

Asumsi pertama dalam mixed ANOVA adalah normalitas
distribusi variabel dependen dalam masing-masing kelompok,
kategori, atau level perlakuan variabel independen between-subjects
maupun variabel independen repeated measures (Goss-Sampson,
2020). Untuk menguji asumsi ini, langkahnya adalah mengeklik
menu Descriptives dan memindahkan Rivalitas Rendah (X1),
- 335 -
Rivalitas Sedang (X2), dan Rivalitas Tinggi (X3) dari kotak

Descriptive Statistics ke kotak Variables, dan memindahkan Kinerja
Wasit (A) dari kotak Descriptive Statistics ke kotak Split. Langkah
berikutnya adalah mengeklik menu Statistics dan mencentang opsi
Shapiro-Wilk Test.
Kita lihat skor fanatisme suporter pada kondisi Rivalitas Sedang-

Wasit Tidak Fair (p = 0.014), serta pada kondisi Rivalitas Tinggi-
Wasit Fair (p = 0.037) terdistribusi tidak normal karena masing-
masing memiliki nilai p Shapiro-Wilk yang signifikan (lebih kecil dari
0.05). Skor fanatisme suporter pada kondisi Rivalitas Rendah-Wasit
Tidak Fair (p = 0.014), serta pada kondisi Rivalitas Tinggi-Wasit Fair
(p = 0.148) maupun kondisi Rivalitas Tinggi-Tidak Fair (p = 0.416),
serta pada kondisi Rivalitas Sedang-Wasit Fair (p = 0.199) dan
Rivalitas Tinggi-Wasit Tidak Fair (p = 0.876) terdistribusi normal
- 336 -
karena masing-masing memiliki nilai p Shapiro-Wilk yang tidak

signifikan (lebih besar dari 0.05).
Untuk menguji asumsi homogenitas varians (untuk variabel
independen between-subjects) dan asumsi sphericity (untuk variabel
independen repeated measures), langkahnya adalah mengeklik menu
ANOVA, Repeated Measures ANOVA (classical). Langkah
berikutnya adalah di bawah Kotak menu Repeated Measures Factors,
mengganti RM Factor 1 dengan label Rivalitas dan mengganti Level 1
dengan label Rendah, Level 2 dengan label Sedang dan Level 3 dengan
label Tinggi. Menggeser atau memindahkan Rivalitas Rendah (B1),
Rivalitas Sedang (B2), dan Rivalitas Tinggi (B3) dari Kotak Repeated
Measures ANOVA ke Kotak Repeated Meaures Cells. Menggeser atau
memindahkan Kinerja Wasit (A) dari Kotak Repeated Measures
ANOVA ke Kotak Between Subjects Factors. Langkah terakhir,
mengeklik menu Assumption Checks dan mencentang opsi
Sphericity tests dan Homogeneity tests.
- 337 -
Hasil Levene’s test menunjukkan, varians skor Fanatisme

Suporter Bola pada kondisi Rivalitas Rendah (B1), F(1, 14) = 1.75, p =
0.207, kondisi Rivalitas Sedang (B2), F(1, 14) = 2.032, p = 0.176, dan
kondisi Rivalitas Tinggi (B3), F(1, 14) = 2.850, p = 0.114 dalam
masing-masing level Kinerja Wasit (Fair versus Tidak Fair) terbukti
homogen karena bernilai tidak signifikan (p lebih besar dari 0.05).
Sementara itu, hasil Mauchy’s test menunjukkan, sphericity varians
skor Fanatisme Suporter Bola dalam masing-masing level Kinerja
Wasit (Fair versus Tidak Fair) tidak terbukti karena nilai W(2) = 0.357
adalah signifikan (p = 0.001 lebih kecil dari 0.05).
Dalam contoh soal mixed ANOVA, asumsi normalitas distribusi
dan sphericity varians tidak terpenuhi, meskipun asumsi
homogenitas varians terpenuhi. Dengan demikian, solusi yang bisa
dilakukan adalah mengganti mixed ANOVA dengan padanan
nonparametriknya, yaitu Friedman Test yang tidak mensyaratkan
terpenuhinya asumsi normalitas distribusi data (Mashuri, 2022b).
- 338 -
BAB 18
Analisis Mediasi
A. Pengantar Analisis Mediasi

Analisis mediasi berguna untuk menentukan signifikansi peran
satu atau lebih variabel untuk menjawab pertanyaan ‘mengapa
variabel independen berperan atau berpengaruh terhadap variabel
dependen?’ (VanderWeele, 2016). Jika diasumsikan atau dibuktikan
secara empiris berperan sebagai jawaban atas pertanyaan tersebut
maka satu atau lebih variabel disebut sebagai mediator (Hayes, 2022).
Ketika variabel mediator berperan signifikan dalam suatu model
hubungan antar variabel, efek variabel independen terhadap variabel
dependen bersifat tidak langsung (indirect effect) atau melewati
variabel mediator tersebut (Rucker dkk., 2011). Gambar 23 di bawah
ini memetakan hubungan antara sebuah variabel independen (X),
mediator (M), dan variabel dependen (Y) untuk membedakan total
effect, direct effect, dan indirect effect.
- 339 -
Gambar 23. Total Effect, Direct Effect, dan Indirect Effect dalam
Model Hubungan Antara Variabel Independen (X), Mediator
(M), dan Variabel Dependen (Y).
Sumber: Rucker dkk. (2011).
Dalam Gambar 23 di atas, c adalah total effect variabel independen
(X) terhadap variabel dependen (Y), c’ merupakan direct effect variabel
independen terhadap variabel dependen dengan mengendalikan efek
mediator terhadap variabel dependen. Efek variabel independen
terhadap mediator diberi simbol a. Sementara itu, b adalah efek mediator
terhadap variabel dependen dengan mengendalikan efek variabel
independen terhadap variabel dependen. Efek tidak langsung atau
indirect effect, yang menjadi fokus bahasan dalam sub-bab ini, dihitung
dengan mengalikan a dengan b ( ). Indirect effect juga bisa dihitung
dengan rumus c – c’, yaitu mengurangi total effect dengan direct effect
(Rucker dkk., 2011).
Mediator memiliki beberapa variasi. Mediator dilihat dari segi
jumlahnya bisa hanya satu (single mediator) atau lebih dari satu
(multiple mediators). Mediator lebih dari satu jika dilihat dari segi
posisinya dalam suatu model bisa bersifat paralel (parallel mediators)
atau serial (serial mediators) (Hayes, 2022). Gambar 24 dan Gambar
25 di bawah ini menggambarkan perbedaan antara parallel mediators
dan serial mediators untuk dua mediator. Fokus dalam buku ini
adalah mediasi dengan satu mediator dan model paralel yang
melibatkan dua mediator.
- 340 -
Gambar 24. Contoh Mediator Paralel (Parallel Mediators).

Sumber: Penulis.
Gambar 25. Contoh Mediator Serial (Serial Mediators).

Sumber: Penulis.
B. Contoh Soal Analisis Mediasi dengan Satu Mediator

Seorang peneliti berminat menjelaskan prestasi belajar mahasiswa
dari segi dua faktor, yaitu motivasi belajar dan jam belajar yang
digunakan mahasiswa untuk mempelajari bahan kuliah dalam
seminggu. Prestasi belajar diukur dengan Indeks Prestasi Kumulatif
(IPK) mahasiswa. Motivasi belajar diukur dalam skala yang merentang
mulai dari 1 (motivasi sangat rendah) sampai dengan 10 (motivasi sangat
tinggi). Jam belajar diukur dengan menanyakan berapa jumlah jam yang
mahasiswa gunakan untuk menguasai materi kuliah dalam seminggu.
Hipotesis yang diajukan (Ha) menyatakan bahwa jumlah jam yang
digunakan mahasiswa untuk mempelajari materi kuliah dalam
seminggu berperan signifikan sebagai mediator pengaruh motivasi
belajar dalam meningkatkan prestasi belajar mahasiswa. Untuk menguji
- 341 -
hipotesis tersebut, peneliti merekrut 15 mahasiswa. Data hasil penelitian

ditampilkan dalam Tabel 50 sebagai berikut.
Tabel 50. Peran Jam Belajar dalam Seminggu dalam Memediasi
Pengaruh Motivasi Belajar terhadap Prestasi Belajar.
No. Subjek Motivasi Belajar (X) Jam Belajar dalam Seminggu (M) Prestasi Belajar (Y)
1. 10 42 4
2. 5 30 3.1
3. 1 25 2.7
4. 8 30 3
5. 4 29 3
6. 3 18 2.8
7. 7 31 3.12
8. 8 38 3.45
9. 5 30 3
10. 2 19 2.9
11. 9 40 3.8
12. 8 38 3.5
13. 2 34 3.3
14. 1 19 2.95
15. 9 28 3
C. Pengerjaan Contoh Soal Analisis Mediasi dengan Satu

Mediator Menggunakan JASP
soal analisis mediasi satu mediator menggunakan JASP. Data mentah
contoh soal analisis mediasi satu mediator ini bisa diunduh dalam
format CSV di OSF dengan link: https://bit.ly/ MediasiSatuMediator
Input data dalam bentuk skala interval (scale) untuk Motivasi Belajar
(X), Jumlah Jam Belajar dalam Seminggu (M), dan Prestasi Belajar
(Y).
- 342 -


mengeklik open.
- 343 -

Motivasi Belajar (X), Jumlah Jam Belajar dalam Seminggu (M), dan
Prestasi Belajar (Y) sebagai variabel berskala interval (scale).
Langkah 5. Memilih menu SEM dan selanjutnya memilih

submenu Mediation Analysis.
- 344 -
Langkah 6. Memindahkan Motivasi Belajar (X) dari Kotak

Mediation Analysis ke Kotak Predictors. Memindahkan Jam Belajar
dalam Seminggu (M) dari Kotak Mediation Analysis ke Kotak
Mediators. Memindahkan Prestasi Belajar (Y) dari Kotak Mediation
Analysis ke Kotak Outcome.

- 345 -
Visualisasi model mediasi bisa dilakukan dengan mengeklik opsi

Plot dan mencentang opsi Parameter estimates dan Legend di bawah
Model Plot, sebagaimana ditampilkan dalam screenshot berikut:
- 346 -
Hasilnya bisa dilihat pada Gambar 26 sebagai berikut:
Gambar 26. Hasil Gambar Peran Jumlah Jam Belajar (MM)

sebagai Mediator Hubungan Motivasi Belajar (X) dan Prestasi
Belajar (Y) Menggunakan JASP.
Keterangan. Angka dalam gambar adalah path coefficients tidak
terstandarisasi (B).
Sumber: Penulis.
Laporan hasil pengerjaan contoh soal analisis mediasi dengan satu

mediator sesuai kaidah APA 7th edition
Analisis mediasi menunjukkan, mendukung hipotesis yang diajukan
(Ha), jam belajar dalam seminggu berperan signifikan dalam
memediasi pengaruh motivasi belajar terhadap prestasi belajar
[Indirect effect: B = 0.07, SE = 0.02, p = .005, 95% CI (confidence
interval) = 0.02, 0.11].
D. Uji Asumsi Contoh Soal Analisis Mediasi dengan Satu

Uji asumsi dalam analisis mediasi identik dengan uji asumsi
dalam regresi linear ganda, yaitu normalitas (normality), linearitas
(linearity), homokedastisitas (homoscedasticity), dan multikolinearitas
(multicollinearity) (Preacher & Hayes, 2008). Untuk menguji asumsi
normalitas, langkah pertama adalah menglik menu Descriptives dan
memindahkan Motivasi Belajar (X), Jam Belajar dalam Seminggu (M),
- 347 -
dan Prestasi Belajar (Y) dari kotak Descriptive Statistics ke kotak

Nilai p Shapiro-Wilk untuk Motivasi Belajar (X) = 0.122, Jam

Belajar dalam Seminggu (M) = 0.352, dan Prestasi Belajar (Y) = 0.073
adalah tidak signifikan karena lebih besar dari 0.05. Kesimpulannya,
ketiga variabel tersebut terdistribusi secara normal (Goss-Sampson,
2020).
pertama (X), variabel mediator (M), dan variabel dependen (Y) harus
bersifat linear. Asumsi ini bisa diuji dengan visualisasi scatter plots
hubungan antar variabel. Sebagai lanjutan dari langkah uji normalitas di
atas, langkah berikutnya adalah mengeklik opsi Customizable plot dan
- 348 -
Kita lihat bahwa hubungan antara Patriotisme Buta (X) dan

Kebencian (M1), Patriotisme Buta (X) dan Revenge (M2), Patriotisme
Buta (X) dan Konflik Antarkelompok (Y), Kebencian (M1) dan
Revenge (M2), Revenge (M2) dan Konflik Antarkelompok (Y), serta
Kebencian (M1) dan Konflik Antarkelompok (Y) terwakili dengan
slope yang tajam, bukannya mendatar. Slope tajam yang menaik dan
- 349 -
bergerak dari kiri ke kanan menunjuk hubungan linear ke arah positif

Untuk menguji asumsi ketiga, homokedastisitas, klik menu
Regression, Linear Regression (Classical). Memindahkan Patriotisme
Buta (X), Kebencian (M1), dan Revenge (M2) dari kotak Linear
Regression ke kotak Covariates. Memindahkan Konflik
Antarkelompok (Y) dari dari kotak Linear Regression ke kotak
Dependent Variable. Selanjutnya, klik menu Plots dan di bawah
submenu Residuals Plots, mencentang opsi Residuals vs. predicted.

- 350 -

tidak berbentuk seperti corong (funnel). Hal ini mengindikasikan
bahwa asumsi homokedastisitas terpenuhi (Goss-Sampson, 2020).
Asumsi keempat adalah multikolinearitas (multicollinearity)
atau kolinearitas (colinearity). Langkah untuk menguji asumsi ini
adalah mengklik menu Regression, Linear Regression (Classical).
Memindahkan Patriotisme Buta (X), Kebencian (M1), dan Revenge
(M2) dari kotak Linear Regression ke kotak Covariates.
Memindahkan Konflik Antarkelompok (Y) dari dari kotak Linear
Regression ke kotak Dependent Variable. Selanjutnya, klik menu
Statistics dan mencentang opsi Estimates dan Collinearity
diagnostics.

- 351 -
Kita lihat bahwa nilai Tolerance untuk variabel Kebencian (M1)

dan Revenge (M2) lebih kecil dari 0.10. Sementara itu, nilai VIF
Kebencian (M1) dan Revenge (M2) lebih besar dari 10. Kesimpulannya,
hubungan antar variabel tersebut dalam menjelaskan variabel dependen
Konflik Antarkelompok (Y) bisa dinyatakan mengandung kolinearitas.
E. Contoh Soal Analisis Mediasi dengan 2 Mediator

Seorang peneliti berminat menjelaskan kecenderungan anggota
kelompok untuk mendukung konflik antarkelompok. Mengacu pada
beberapa teori, kecenderungan tersebut dijelaskan atas dasar tiga
faktor. Faktor pertama adalah patriotisme buta, yaitu pembelaan
terhadap kelompok salah atau benar. Faktor kedua adalah kebencian
terhadap kelompok lain yang berkonflik, dan faktor ketiga adalah
revenge atau keinginan untuk membalas dendam kelompok lain yang
berkonflik. Skor dukungan terhadap konflik antarkelompok
bervariasi dari 0 (sangat tidak mendukung) sampai dengan 10 (sangat
mendukung). Skor revenge merentang dari 10 (sangat rendah) sampai
dengan 100 (sangat tinggi). Skor kebencian merentang dari 10 (sangat
rendah) sampai dengan 50 (sangat tinggi). Skor patriotisme buta
merentang dari 50 (sangat rendah) sampai dengan 100 (sangat tinggi).
Hipotesis pertama yang diajukan (Ha1) menyatakan bahwa revenge
secara signifikan memediasi peran patriotisme buta dalam memantik
dukungan terhadap konflik antarkelompok. Hipotesis kedua yang
diajukan (Ha2) menyatakan bahwa kebencian secara signifikan
memediasi peran patriotisme buta dalam memantik dukungan
terhadap konflik antarkelompok. Untuk menguji hipotesis tersebut,
peneliti merekrut 20 responden penelitian. Data hasil penelitian
ditampilkan dalam Tabel 51 sebagai berikut.
- 352 -
Tabel 51. Data Penelitian Revenge dan Kebencian sebagai Mediator Peran
Patriotisme Buta sebagai Pemantik Dukungan terhadap Konflik
Antarkelompok.
No. Patriotisme Buta Kebencian Revenge Konflik
Subjek (X) (M1) (M2) Antarkelompok (Y)
1. 56 10 12 0
2. 60 25 55 5
3. 90 50 90 10
4. 80 40 72 7
5. 71 18 33 3
6. 70 14 18 2
7. 90 48 84 9
8. 58 35 61 6
9. 100 48 91 9
10. 66 44 70 8
11. 59 36 60 6
12. 60 26 52 5
13. 90 50 90 10
14. 78 47 80 9
15. 70 18 30 3
16. 51 12 15 1
17. 65 48 89 9
18. 60 40 70 7
19. 100 50 95 10
20. 57 20 43 4
Sumber: Penulis.
F. Pengerjaan Contoh Soal Analisis Mediasi dengan Dua

soal analisis mediasi dua mediator menggunakan JASP. Data mentah
contoh soal analisis mediasi dua mediator ini bisa diunduh dalam
format CSV di OSF dengan link: https://bit.ly/MediasiDua-Mediator
- 353 -

Input data dalam bentuk skala interval (scale) untuk Patriotisme Buta
(X), Kebencian (M1), Revenge (M2), dan Konflik Antarkelompok(Y).

- 354 -

mengeklik open.
Langkah 4. Menjalankan JASP dengan mengatur atau menetap-

kan Patriotisme Buta (X), Kebencian (M1), Revenge (M2), dan
Konflik Antarkelompok (Y) sebagai variabel berskala interval (scale).
- 355 -
Langkah 5. Memilih menu SEM dan selanjutnya memilih

submenu Mediation Analysis.
Langkah 6. Memindahkan Patriotisme Buta (X) dari Kotak

Mediation Analysis ke Kotak Predictors. Memindahkan Kebencian
(M1) dan Revenge (M2) dari Kotak Mediation Analysis ke Kotak
Mediators. Memindahkan Konflik Antarkelompok (Y) dari Kotak
Mediation Analysis ke Kotak Outcome.

- 356 -
Visualisasi model mediasi bisa dilakukan dengan mengeklik opsi

Plot dan mencentang opsi Parameter estimates dan Legend di bawah
Model Plot, sebagaimana ditampilkan dalam screenshot berikut:

- 357 -
Gambar 27. Hasil Gambar Peran Kebencian (M1) dan Revenge (M2) sebagai
Mediator Hubungan Patriotisme Buta (X) dan Konflik Antarkelompok (Y)
menggunakan JASP.
Keterangan. Angka dalam gambar adalah path coefficients tidak

terstandarisasi (B).
Sumber: Penulis.
Laporan hasil pengerjaan contoh soal analisis mediasi dengan dua

mediator sesuai kaidah APA edisi 7
Analisis mediasi menunjukkan, mendukung hipotesis pertama
(Ha1), revenge menjadi mediator signifikan peran patriotisme buta
dalam memantik dukungan atas konflik antarkelompok, [Indirect
effect: B = 0.08, SE = 0.03, p = .003, 95% CI (confidence interval) = 0.03,
0.13]. Hipotesis kedua (Ha2) juga diterima karena kebencian juga
menjadi mediator signifikan peran patriotisme buta dalam memantik
dukungan atas konflik antarkelompok, [Indirect effect: B = 0.06, SE =
0.02, p = .011, 95% CI (confidence interval) = 0.01, 0.11].
G. Uji Asumsi Contoh Soal Analisis Mediasi dengan Dua

Identik dengan uji asumsi pada contoh soal analisis mediasi
dengan satu mediator, untuk menguji asumsi normalitas, langkah
pertama adalah mengelik menu Descriptives dan memindahkan
Patriotisme Buta (X), Kebencian (M1), Revenge (M2), dan Konflik
- 358 -
Antarkelompok (Y) dari kotak Descriptive Statistics ke kotak

Nilai p Shapiro-Wilk untuk Patriotisme Buta (X) = 0.039 dan

Kebencian (M1) = 0.013 adalah signifikan karena lebih kecil dari 0.05.
Nilai p Shapiro-Wilk untuk untuk Revenge (M2) = 0.080 dan Konflik
Antarkelompok (Y) = 0.127 adalah tidak signifikan karena lebih besar
0.05. Kesimpulannya, skor Patriotisme Buta (X) dan Kebencian (M1)
terdistribusi secara tidak normal sementara skor Revenge (M2) dan
Konflik Antarkelompok (Y) terdistribusi secara normal (Goss-
Sampson, 2020).
pertama (X), variabel mediator (M), dan variabel dependen (Y) harus
bersifat linear. Asumsi ini bisa diuji dengan visualisasi scatter plots
- 359 -
hubungan antar variabel. Sebagai lanjutan dari langkah uji normalitas

di atas, langkah berikutnya adalah mengeklik opsi Customizable plot
dan mencentang opsi Scatter plots, Add regression line, dan Linear.
Customizable plot dan mencentang opsi Scatter plots, Add

regression line, dan Linear.
- 360 -
Kita lihat bahwa hubungan antara Patriotisme Buta (X) dan

Kebencian (M1), Patriotisme Buta (X) dan Revenge (M2), Patriotisme
Buta (X) dan Konflik Antarkelompok (Y), Kebencian (M1) dan
Revenge (M2), Revenge (M2) dan Konflik Antarkelompok (Y), serta
Kebencian (M1) dan Konflik Antarkelompok (Y) terwakili dengan
slope yang tajam, bukannya mendatar. Slope tajam yang menaik dan
- 361 -
bergerak dari kiri ke kanan menunjuk hubungan linear ke arah positif

Untuk menguji asumsi ketiga, homokedastisitas, klik menu
Regression, Linear Regression (Classical). Memindahkan Patriotisme
Buta (X), Kebencian (M1), dan Revenge (M2) dari kotak Linear
Regression ke kotak Covariates. Memindahkan Konflik Antarkelompok
(Y) dari dari kotak Linear Regression ke kotak Dependent Variable.
Selanjutnya, klik menu Plots dan di bawah submenu Residuals Plots,
mencentang opsi Residuals vs. predicted.

- 362 -

tidak berbentuk seperti corong (funnel). Hal ini mengindikasikan
bahwa asumsi homokedastisitas terpenuhi (Goss-Sampson, 2020).
Asumsi keempat adalah multikolinearitas (multicollinearity) atau
kolinearitas (colinearity). Langkah untuk menguji asumsi ini adalah
mengklik menu Regression, Linear Regression (Classical). Memindahkan
Patriotisme Buta (X), Kebencian (M1), dan Revenge (M2) dari kotak
Linear Regression ke kotak Covariates. Memindahkan Konflik Antar-
kelompok (Y) dari dari kotak Linear Regression ke kotak Dependent
Variable. Selanjutnya, klik menu Statistics dan mencentang opsi
Estimates dan Collinearity diagnostics.

- 363 -
Kita lihat bahwa nilai Tolerance untuk variabel Kebencian (M1)

dan Revenge (M2) lebih kecil dari 0.10. Sementara itu, nilai VIF
Kebencian (M1) dan Revenge (M2) lebih besar dari 10. Kesimpulannya,
hubungan antar variabel tersebut dalam menjelaskan variabel dependen
Konflik Antarkelompok (Y) bisa dinyatakan mengandung kolinearitas.
- 364 -
BAB 19
Analisis Moderasi
A. Pengantar Analisis Moderasi

Moderator adalah variabel yang berperan atau berpengaruh
dalam menentukan kuat-lemahnya atau arah (positif atau negatif)
hubungan antara variabel independen (X) dan variabel dependen (Y).
Simbol variabel moderator adalah W atau V (Hayes, 2022; Hayes &
Matthes, 2009). Sifat atau karakteristik (kuat atau lemah, positif atau
negatif) hubungan antara variabel independen dan dependen bisa
berubah tergantung pada nilai (tinggi-rendahnya atau kategori
tertentu) dari variabel moderator (Memon dkk., 2019). Gambar 28
berikut ini memvisualisasikan konsep variabel moderator dan
keterkaitannya dengan variabel independen dan variabel dependen.
- 365 -
Gambar 28. Hubungan Variabel Moderator, Variabel Independen,

dan Variabel Dependen.
Sumber: Memon dkk. (2019).
Mengacu Gambar 28 di atas, efek moderasi, yang disebut juga efek
interaksi, terjadi ketika produk atau hasil perkalian antara variabel
independen dan moderator (simbol: z) berperan signifikan dalam
menjelaskan atau mempengaruhi variabel dependen. Moderator bisa
berupa demografi seperti usia, jenis kelamin, pendapatan, atau berupa
atribut-atribut psikologis seperti emosi, sikap, dan lain lain. Dari segi
skala pengukurannya, dengan demikian, moderator bisa berbentuk
variabel nominal (dikotomi atau politomi) atau kontinum (interval atau
rasio) (Hair Jr, 2021). Moderator dalam suatu model bisa berjumlah
lebih dari satu. Fokus buku ini adalah satu variabel moderator, baik
dalam bentuk variabel nominal dikotomi maupun variabel kontinum,
yang menentukan hubungan antara sebuah variabel independen dan
sebuah variabel dependen.
B. Contoh Soal Analisis Moderasi dengan Satu Moderator

Nominal Dikotomis
Seorang peneliti tertarik menjelaskan naiknya angka kecelakaan lalu
lintas dalam kurun waktu 5 tahun terakhir. Risky driving atau
berkendaraan secara beresiko (contoh: memacu kecepatan kendaraan
secara berlebihan, tail gaiting atau membuntuti kendaraan lain secara
sangat berdekatan) diasumsikan sebagai salah satu penyebab musibah
tersebut. Mengacu pada teori dan riset sebelumnya yang relevan, peneliti
tersebut mencoba menjelaskan risky driving atas dasar dua faktor, yaitu
- 366 -
(1) pencarian sensasi sebagai tendensi individu untuk mencari

pengalaman baru dan menantang, (2) jenis kelamin. Skor pencarian
sensasi bervariasi dari 1 (sangat rendah) sampai dengan 10 (sangat
tinggi). Skor risky driving merentang dari 10 (sangat rendah) sampai
dengan 100 (sangat tinggi). Hipotesis penelitian yang diajukan (Ha)
menyatakan bahwa “pada pengendara pria, dan bukannya pengendara
wanita, tingginya pencarian sensasi berperan signifikan terhadap
tingginya risky driving”. Untuk menguji hipotesis ini, peneliti tersebut
merekrut 10 responden pria dan 10 responden wanita. Tabel 52 berikut
menampilkan data hasil penelitian.
- 367 -
Tabel 52. Data Hubungan Pencarian Sensasi

dan Risky Driving Atas Dasar Jenis Kelamin.
Jenis
No. Pencarian Jenis Kelamin (W) Risky
Kelamin
Subjek Sensasi (X) Dummy Driving (Y)
(W)
1. 9 Pria 1 98
2. 5 Pria 1 56
3. 6 Pria 1 74
4. 10 Pria 1 100
5. 3 Pria 1 50
6. 6 Pria 1 80
7. 2 Pria 1 45
8. 7 Pria 1 77
9. 8 Pria 1 80
10. 9 Pria 1 95
11. 8 Wanita 0 50
12. 4 Wanita 0 40
13. 1 Wanita 0 70
14. 8 Wanita 0 50
15. 9 Wanita 0 66
16. 10 Wanita 0 45
17. 7 Wanita 0 30
18. 5 Wanita 0 25
19. 2 Wanita 0 33
20. 8 Wanita 0 18
C. Pengerjaan Contoh Soal Analisis Moderasi dengan Satu

Moderator Nominal Dikotomis Menggunakan JASP (dan SPSS)
soal analisis moderasi dengan satu moderator berskala nominal
dikotomis menggunakan JASP. Data mentah contoh soal analisis
moderasi dengan satu moderator berskala nominal dikotomis ini bisa
diunduh dalam format CSV di OSF dengan link:
https://bit.ly/ModerasiSatuModeratorNominal
- 368 -

Input data dalam bentuk skala interval (scale) untuk Pencarian Sensasi
(X), Jenis Kelamin (W) Dummy, dan Risky Driving (Y). Input data
dalam bentuk skala nominal teks untuk Jenis Kelamin (W).

- 369 -

mengklik open.

menetapkan Pencarian Sensasi (X), Jenis Kelamin (W) Dummy, dan
Risky Driving (Y) sebagai variabel interval (scale), serta Jenis Kelamin
(W) sebagai variabel nominal teks.
- 370 -

Langkah 6. Memindahkan Pencarian Sensasi (X) dan Jenis

Kelamin (W) Dummy dari Kotak Linear Regression ke Kotak
Covariates. Memindahkan Risky Driving (Y) dari Kotak Linear
Regression ke Kotak Dependent Variable. Mengklik Menu Model dan
di bawah Kotak Components memblok Pencarian Sensasi (X) dan
Jenis Kelamin (W) Dummy serta memindahkannya ke Kotak Model
Terms.
- 371 -

- 372 -
Langkah 8. Melakukan probing analysis menggunakan SPSS

(versi 21) dengan prosedur sebagai berikut:
Pertama, menginput data di SPSS sebagai berikut:
Kedua, mengklik menu Analyze, submenu Regression dan

MODPROBE v2.0 by Andrew F. Hayes (www.afhayes.com). By
default, SPSS tidak menyediakan tool MODPROBE sehingga harus
kita instal dengan mengikuti petunjuk via link: http://afhayes.com/
spss-sas-and-r-macros-and-code.html
- 373 -
Ketiga, memindahkan dari Kotak Variables Risky Driving (Y) ke

Kotak Dependent Variable (Y), Pencarian Sensasi (X) dari Kotak
Variables ke Kotak Focal Prediktor (F), dan Jenis Kelamin (W)
Dummy dari Kotak Variables ke Kotak Moderator Variable (M). Klik
OK untuk menjalankan analisis MODPROBE.
Keempat, melihat hasil analisis sebagai berikut:

Complete Model Regression Summary
R-sq F df1 df2 p n
.7562 16.5469 3.0000 16.0000 .0000 20.0000
Regression Model
Coeff se t p LLCI ULCI
constant 44.8062 9.8852 4.5327 .0003 23.8486 65.7638
X -.3397 1.4450 -.2351 .8171 -3.4032 2.7238
WDummy -16.3662 15.2699 -1.0718 .2997 -48.7400 16.0076
interact 7.5797 2.2093 3.4309 .0034 2.8959 12.2636
Interact is defined as:

X X WDummy
R-square increase due to interaction:

R2-chng F df1 df2 p
.1793 11.7710 1.0000 16.0000 .0034
***************************************************************************
Conditional Effect of Focal Predictor at Values of the Moderator Variable

WDummy Coeff se t p LLCI ULCI
.0000 -.3397 1.4450 -.2351 .8171 -3.4032 2.7238
1.0000 7.2400 1.6712 4.3323 .0005 3.6969 10.7831
The moderator variable is dichotomous
********************* ANALYSIS NOTES AND WARNINGS *************************
Alpha level used for confidence intervals:

.05
- 374 -
Visualisasi model moderasi bisa dilakukan dengan mengklik

Menu Descriptives. Memindahkan Pencarian Sensasi dan Risky
Driving dari kotak Descriptive Statistics ke kotak Variables, dan Jenis
Kelamin (W) dari kotak Descriptive Statistics ke kotak Split.
Selanjutnya, mengklik menu Customizable plots dan mencentang
Scatter plots dan Density (di bawah Graph above scatter plot), Linear
(di bawah Add regression line), Density (di bawah Graph right of
scatter plot), serta Show Legend (Lihat screenshot berikut):
- 375 -
Gambar 29. Visualisasi Peran Jenis Kelamin (W) sebagai Moderator

Hubungan Pencarian Sensasi (X) dan Risky Driving (Y).
Sumber: Penulis
Laporan hasil pengerjaan contoh soal analisis moderasi dengan

satu moderator nominal dikotomis sesuai kaidah APA 7th edition
Analisis moderasi menunjukkan, jenis kelamin berinteraksi
secara signifikan dengan pencarian sensasi dalam memengaruhi risky
driving, B = 7.58, SE = 2.21, p = .003. Secara lebih spesifik, probing
analysis menunjukkan bahwa, mendukung hipotesis penelitian (Ha),
peran pencarian sensasi sebagai pemantik risky driving signifikan
pada responden pria, B = 7.24, SE = 1.67, t = 4.33, p < .001, tetapi tidak
signifikan pada responden wanita, B = −0.34, SE = 1.45, t = −0.24, p
= .817.
D. Contoh Soal Analisis Moderasi dengan Satu Moderator

Kontinum
Seorang peneliti tertarik menjelaskan maraknya fenomena teori
konspirasi yang dipercayai oleh masyarakat. Mengacu pada teori dan
riset sebelumnya yang relevan, peneliti tersebut mencoba menjelaskan
kepercayaan pada teori konspirasi atas dasar dua faktor, yaitu (1)
identifikasi kelompok yang mencerminkan perasaan memiliki dan
komitmen anggota kelompok untuk berkontribusi kepada
kelompoknya, (2) persepsi ancaman kelompok yang mencerminkan
- 376 -
anggapan bahwa eksistensi suatu kelompok terancam oleh kelompok

lain. Skor kepercayaan pada teori konspirasi bervariasi dari 0 (sangat
rendah) sampai dengan 10 (sangat tinggi). Skor identifikasi kelompok
merentang dari 10 (sangat rendah) sampai dengan 100 (sangat tinggi).
Skor ancaman kelompok merentang dari 10 (sangat rendah) sampai
dengan 100 (sangat tinggi). Hipotesis penelitian yang diajukan (Ha)
menyatakan bahwa ‘ancaman kelompok meningkatkan kepercayaan
pada teori konspirasi terutama pada anggota kelompok dengan
identifikasi kelompok yang tinggi. Untuk menguji hipotesis ini, peneliti
tersebut merekrut 24 responden. Tabel 53 berikut menampilkan data
hasil penelitian.
Tabel 53. Data Hubungan Ancaman Kelompok dan Kepercayaan pada
Teori Konspirasi Atas Dasar Identifikasi Kelompok.
No. Ancaman Identifikasi Teori Konspirasi

Subjek Kelompok (X) Kelompok (W) (Y)
1. 100 100 10
2. 32 92 3
3. 40 91 4
4. 68 80 7
5. 80 40 8
6. 93 88 9
7. 11 78 0
8. 28 75 3
9. 22 95 2
10. 60 83 6
11. 52 76 5
12. 74 78 7
13. 34 32 3
14. 60 20 1
15. 40 23 7
16. 90 16 8
17. 75 10 9
18. 80 20 10
19. 82 14 3
- 377 -
20. 55 39 5
21. 60 32 6
22. 44 40 4
23 20 22 8
24. 76 15 2
E. Pengerjaan Contoh Soal Analisis Moderasi dengan Satu

Moderator Kontinum Menggunakan JASP (dan SPSS)
soal analisis moderasi dengan satu moderator berskala interval
(kontinum) menggunakan JASP. Data mentah contoh soal analisis
moderasi dengan satu moderator berskala interval ini bisa diunduh
dalam format CSV di OSF dengan link: https://bit.ly/
ModerasiSatuModeratorKontinum
Input data dalam bentuk skala interval (scale) untuk Ancaman
Kelompok (X), Identifikasi Kelompok (W), dan Kepercayaan pada
Teori Konspirasi (Y).

- 378 -

mengklik open.

menetapkan Ancaman Kelompok (X), Identifikasi Kelompok (W),
dan Kepercayaan pada Teori Konspirasi (Y).
- 379 -

Langkah 6. Memindahkan Ancaman Kelompok (X) dan

Identifikasi Kelompok (W) dari Kotak Linear Regression ke Kotak
Covariates. Memindahkan Kepercayaan pada Teori Konspirasi (Y)
dari Kotak Linear Regression ke Kotak Dependent Variable.
- 380 -
Mengklik Menu Model dan di bawah Kotak Components memblok

Ancaman Kelompok (X) dan Identifikasi Kelompok (W) dan
memindahkannya ke Kotak Model Terms.

Langkah 8. Melakukan probing analysis menggunakan SPSS

(versi 21) dengan prosedur sebagai berikut:
Pertama, menginput data di SPSS sebagai berikut:
- 381 -
Kedua, mengklik menu Analyze, submenu Regression dan

MODPROBE v2.0 by Andrew F. Hayes (www.afhayes.com). By
default, SPSS tidak menyediakan tool MODPROBE sehingga kita
perlu menginstall dengan mengikuti petunjuk via link:
http://afhayes.com/spss-sas-and-r-macros-and-code.html
- 382 -
Ketiga, memindahkan dari Kotak Variables Teori Konspirasi (Y)

ke Kotak Dependent Variable (Y), Ancaman Kelompok (X) dari
Kotak Variables ke Kotak Focal Predictor (F), dan Identifikasi
Kelompok (W) dari Kotak Variables ke Kotak Moderator Variable
(M). Klik OK untuk menjalankan analisis MODPROBE.
- 383 -
Keempat, melihat hasil analisis sebagai berikut:

Complete Model Regression Summary
R-sq F df1 df2 p n
.5018 6.7149 3.0000 20.0000 .0026 24.0000
Regression Model
Coeff se t p LLCI ULCI
constant 6.3912 2.7398 2.3328 .0302 .6758 12.1065
X -.0100 .0403 -.2470 .8074 -.0941 .0742
W -.0785 .0386 -2.0332 .0555 -.1591 .0020
interact .0013 .0006 2.2785 .0338 .0001 .0025
Interact is defined as:

X X W
R-square increase due to interaction:

R2-chng F df1 df2 p
.1293 5.1914 1.0000 20.0000 .0338
***************************************************************************
Conditional Effect of Focal Predictor at Values of the Moderator Variable

W Coeff se t p LLCI ULCI
20.3675 .0165 .0305 .5401 .5951 -.0472 .0801
52.4583 .0581 .0196 2.9729 .0075 .0173 .0989
84.5492 .0998 .0224 4.4516 .0002 .0530 .1466
Moderator values are the sample mean and plus/minus one SD from mean
********************* ANALYSIS NOTES AND WARNINGS *************************
Alpha level used for confidence intervals:

.05
------ END MATRIX -----
Laporan hasil pengerjaan contoh soal analisis moderasi dengan

satu moderator kontinum sesuai kaidah APA 7th edition
Analisis moderasi menunjukkan, ancaman kelompok
berinteraksi secara signifikan dengan identifikasi kelompok dalam
memengaruhi kepercayaan pada teori konspirasi, B = 0.001, SE =
0.001, p = .034. Secara lebih spesifik, probing analysis menunjukkan
bahwa, mendukung hipotesis penelitian (Ha), peran ancaman
kelompok sebagai pemantik kepercayaan pada teori konspirasi
signifikan pada responden dengan identifikasi kelompok yang tinggi,
B = .10, SE = 0.02, t = 4.45, p < .001, tetapi tidak signifikan pada
responden dengan identifikasi kelompok yang rendah, B = .02, SE =
0.03, t = 0.54, p = .595.
- 384 -
Latihan Soal
Soal 1
1. Seorang peneliti ingin membuktikan bahwa kepercayaan diri
remaja bisa dipengaruhi oleh pola asuh yang diterapkan oleh orang
tuanya. Peneliti tersebut akan membandingkan keperca-yaan diri
antara 14 orang remaja yang diasuh menggunakan pola
authoritative, 14 orang remaja yang diasuh menggunakan pola asuh
permisif, dan 14 orang remaja yang diasuh menggunakan pola asuh
authoritarian. Berdasarkan sejumlah teori, diasumsikan bahwa
jenis pola asuh (authoritative vs. permisif vs. authoritarian)
berpengaruh secara signifikan terhadap kepercayaan diri (Hipotesis
1). Secara lebih spesifik, kepercayaan diri remaja dengan pola asuh
authoritative lebih tinggi secara signifikan dibandingkan dengan
kepercayaan diri dengan pola asuh permisif (Hipotesis 2) maupun
pola asuh authoritarian (Hipotesis 3). Adapun skor kepercayaan
diri untuk ketiga jenis pola asuh tersebut ditampilkan dalam Tabel
54 sebagai berikut:
Tabel 54. Kepercayaan Diri Remaja Berdasarkan Tiga Jenis Pola Asuh.
Pola Asuh Pola Asuh

Pola Asuh Permisif
Authoritative Authoritarian
Nomor Nomor Nomor

X1 X2 X3
Partisipan Partisipan Partisipan
1. 9 15. 10 29. 7
2. 6 16. 4 30. 3
3. 7 17. 5 31. 2
4. 8 18. 3 32. 6
5. 9 19. 3 33. 3
6. 8 20. 7 34. 5
7. 7 21. 8 35. 3
8. 6 22. 5 36. 4
- 385 -
9. 7 23. 6 37. 8
10. 8 24. 7 38. 3
11. 9 25. 6 39. 5
12. 10 26. 5 40. 6
13. 7 27. 8 41. 4
14. 8 28. 7 42. 7
Berdasarkan keterangan atau uraian contoh soal 1, jawablah

pertanyaan-pertanyaan berikut:
A) Tentukan variabel independen atau variabel bebas dan variabel
dependen atau variabel terikat dalam contoh soal 1.
B) Hipotesis penelitian dalam contoh soal 1 apakah bersifat satu
arah (one-tailed) ataukah dua arah (two-tailed) dan jelaskan
secara singkat alasannya.
C) Teknik statistik apa yang tepat digunakan untuk menjawab
contoh soal 1 serta jelaskan secara singkat alasan pemilihan
teknik tersebut.
D) Secara manual, lakukan uji signifikansi hipotesis dalam contoh
soal 1 pada taraf signifikansi 0.05 dan hitunglah effect size.
E) Validasi contoh soal 1 menggunakan JASP.
F) Beri laporan hasil uji signifikansi hipotesis untuk contoh soal 1
sesuai dengan kaidah American Psychological Association (APA)
edisi 7.
Soal 2
1. Sebuah penelitian bertujuan menjelaskan maraknya fenomena
holiganisme atau fanatisme berlebihan suporter sepak bola.
Mengacu pada teori dan riset-riset sebelumnya, holiganisme
dijelaskan atas dasar dua faktor: (1) status sosial ekonomi yang
terdiri dari pendapatan dan tingkat pendidikan, (2) glorifikasi
atau sikap mengagung-agungkan suatu klub sepak bola.
Hipotesis yang diajukan, pertama, menyatakan bahwa glorifikasi
berperan signifikan sebagai prediktor positif holiganisme
(Hipotesis 1). Hipotesis kedua menyatakan bahwa peran
glorifikasi sebagai prediktor positif terhadap holiganisme lebih
- 386 -
kuat pada suporter dengan status sosial ekonomi rendah

dibandingkan dengan suporter dengan status sosial ekonomi
tinggi (Hipotesis 2). Data hasil penelitian ditampilkan dalam
Tabel 55 sebagai berikut:
Tabel 55. Holiganisme Atas Dasar Status Sosial Ekonomi
dan Glorifikasi Klub Sepak Bola.
Nomor Status Sosial

Glorifikasi Holiganisme
Partisipan Ekonomi
1. Rendah 100 10
2. Rendah 80 8
3. Rendah 91 9
4. Rendah 70 7
5. Rendah 100 10
6. Rendah 81 8
7. Rendah 100 10
8. Rendah 70 7
9. Rendah 89 9
10. Rendah 60 6
11. Rendah 80 8
12. Rendah 40 4
13. Tinggi 65 2
14. Tinggi 90 6
15. Tinggi 90 9
16. Tinggi 50 10
17. Tinggi 6 6
18. Tinggi 40 4
19. Tinggi 50 9
- 387 -
20. Tinggi 66 7
21. Tinggi 10 5
22. Tinggi 80 3

teknik tersebut.
edisi 7.
Soal 3
1. Seorang psikiater mengamati tingkat perbedaan depresi pasien-
pasiennya atas dasar periodisasi bulan dan juga ada tidaknya
dukungan keluarga. Terdapat 12 orang pasien yang diidentifikasi
tingkat depresinya secara berulang pada bulan Januari, Juni, dan
Desember. Sebagian dari 12 pasien tersebut mendapatkan
dukungan keluarga dan sebagian lainnya tidak mendapatkan
dukungan keluarga. Pengukuran depresi dilakukan dengan
mengukur kadar dopamin pada pasien. Hipotesis yang diajukan
menyatakan bahwa, pertama, periodisasi bulan (Januari vs. Juni vs.
Desember) berpengaruh secara signifikan terhadap tingkat depresi.
Hipotesis kedua menyatakan bahwa tingkat depresi pasien yang
tidak mendapatkan dukungan keluarga lebih tinggi secara
- 388 -
signifikan dibandingkan dengan tingkat depresi pasien yang

mendapatkan dukungan keluarga (Hipotesis 2). Hipotesis ketiga
menyatakan bahwa tingkat depresi di bulan Desember lebih tinggi
secara signifikan dibandingkan dengan tingkat depresi di bulan Juni
(Hipotesis 3). Hipotesis keempat menyatakan bahwa tingkat
depresi di bulan Desember lebih tinggi secara signifikan
dibandingkan tingkat depresi di bulan Januari (Hipotesis 4).
Hipotesis kelima sekaligus terakhir menyatakan bahwa periode
bulan berinteraksi dengan dukungan keluarga dalam memengaruhi
tingkat depresi pasien di mana periodisasi bulan berpengaruh
signifikan terhadap depresi terutama pada pasien yang tidak
mendapatkan dukungan keluarga (Hipotesis 5). Adapun data hasil
penelitian seorang psikiater tersebut ditampilkan dalam Tabel 56 di
bawah ini.
Tabel 56. Tingkat Depresi di Bulan Januari, Juni, dan Desember.
Januari Juni Desember

Nomor Dukungan
Partisipan keluarga
X1 X2 X3
1. Tidak ada 4 7 10
2. Tidak ada 5 4 9
3. Tidak ada 1 6 8
4. Tidak ada 5 7 8
5. Ada 3 6 4
6. Ada 2 2 7
7. Tidak Ada 5 8 9
8. Ada 5 8 5
9. Tidak Ada 6 9 10
10. Ada 2 9 7
11. Tidak ada 3 6 8
12. Ada 1 6 6
- 389 -

teknik tersebut.
edisi 7.
Soal 4
1. Sebuah penelitian bertujuan menjelaskan tingkat kebahagiaan
(happiness) di kalangan remaja. Mengacu pada teori dan riset-
riset sebelumnya, kebahagiaan dijelaskan atas dasar dua faktor,
yaitu kepribadian ekstrovert dan jaringan sosial (social
networking). Hipotesis yang diajukan menyatakan bahwa
jaringan sosial berperan sebagai alasan mengapa kepribadian
ekstrovert berperan sebagai prediktor positif kebahagiaan di
kalangan remaja. Semakin tinggi kepribadian ekstrovert maka
semakin tinggi jaringan sosial dan, sebagai konsekuensinya,
semakin tinggi kebahagiaan remaja. Data hasil penelitian
- 390 -
Tabel 57. Kepribadian Ekstrovert, Jaringan Sosial, dan Kebahagiaan.
No. Kepribadian Jaringan

Kebahagiaan
Subjek ekstrovert sosial
1 10 1 30
2 50 10 100
3 34 5 60
4 36 4 76
5 35 8 56
6 43 7 80
7 40 9 90
8 20 3 43
9 48 9 88
10 20 9 95
11 30 10 100
12 38 6 77
13 37 4 67
14 40 8 80
15 15 3 35
16 36 7 70
17 40 6 80
18 45 9 90

teknik tersebut.
- 391 -

edisi 7.
Soal 5
1. Seorang ahli ergonomika meneliti pengaruh penggunaan AC
terhadap performa kerja operator mesin suatu pabrik. Diasumsikan
secara teoretis bahwa ruangan ber-AC menstimulasi performa kerja
yang lebih tinggi dibandingkan rungan non-AC. Terdapat 22 orang
operator yang terlibat sebagai partisipan penelitian. Sebanyak 11
orang operator adalah operator yang bekerja hari Senin dan 11
orang adalah operator yang bekerja di hari Selasa. Operator di hari
Senin bekerja di ruangan dengan AC sedangkan operator di hari
Selasa bekerja di ruangan tanpa AC. Performa kerja operator diukur
berdasarkan jumlah produk yang diselesaikan. Hipotesis yang
diajukan menyatakan bahwa performa kerja operator di ruangan
dengan AC lebih tinggi secara signifikan dibandingkan dengan
performa kerja operator di ruangan tanpa AC. Data hasil
penelitian ditampilkan dalam Tabel 58 di bawah ini.
Tabel 58. Performa Kerja Operator yang Bekerja
di Ruangan AC dan Non-AC.
Ruangan AC (Senin) Ruangan Non-AC (Selasa)
Nomor Nomor
X1 X2
Partisipan Partisipan
1. 6 12. 6
2. 7 13. 4
3. 8 14. 3
4. 5 15. 3
5. 4 16. 4
- 392 -
6. 6 17. 5
7. 8 18. 10
8. 8 19. 9
9. 9 20. 2
10. 10 21. 4
11. 8 22. 2

teknik tersebut.
edisi 7.
Soal 6
1. Seorang peneliti berminat menjelaskan turn over intention pada
pekerja tidak tetap di perusahaan tambang atas dasar work-life
balance. Mengacu pada sejumlah teori dan riset-riset sebelumnya
yang relevan, hipotesis yang diajukan adalah semakin tinggi work-
life balance maka semakin rendah turn over intention dan
sebaliknya, semakin rendah work life balance maka semakin tinggi
turn over intention. Penelitian dilakukan pada 15 orang pekerja.
Pengukuran kedua variabel menggunakan kuesioner berbentuk
- 393 -
skala, yang skornya bisa bervariasi antara 1 sampai 10. Hasil

Tabel 59. Work Life Balance dan Turnover Intention.
No. Subjek Work Life Balance Turnover Intention
1 6 9
2 5 5
3 3 4
4 5 7
5 2 8
6 7 4
7 5 7
8 9 3
9 4 7
10 2 8
11 8 4
12 1 6
13 6 2
14 3 8
15 7 7

teknik tersebut.
- 394 -

edisi 7.
Soal 7
1. Seorang terapis anak berkebutuhan khusus ingin membuktikan
pengaruh terapi okupasi terhadap keterampilan bantu diri pada
13 orang anak dengan gangguan perkembangan pervasif.
Mengacu pada sejumlah teori, terapi okupasi diasumsikan efektif
meningkatkan keterampilan bantu diri pada anak. Keterampilan
bantu diri pada anak diukur menggunakan skala keterampilan
bantu diri. Hipotesis yang diajukan menyatakan bahwa
keterampilan bantu diri anak berkebutuhan khusus setelah terapi
okupasi lebih tinggi secara signifikan dibandingkan dengan
keterampilan bantu diri sebelum terapi okupasi. Data hasil
Tabel 60. Keterampilan Bantu Diri pada Anak Sebelum

dan Setelah Terapi Okupasi.
Sebelum Terapi Setelah Terapi

Nomor
Okupasi Okupasi
Partisipan
X1 X2
1. 2 2
2. 5 8
3. 5 8
4. 6 9
5. 2 9
6. 3 5
7. 4 6
8. 5 8
9. 2 7
- 395 -
10. 3 6
11. 6 8
12. 6 9
13. 5 5

teknik tersebut.
edisi 7.
Soal 8
1. Seorang peneliti hendak mengetahui adanya perbedaan regulasi
emosi antara siswa SMA, SMP, dan SD. Penelitian dilakukan
pada 30 orang subjek yang terdiri dari 10 siswa SMA, 10 siswa
SMP, dan 10 siswa SD. Mengacu pada teori dan hasil-hasil riset
sebelumnya yang terkait, peneliti mengajukan tiga hipotesis.
Hipotesis pertama menyatakan adanya perbedaan yang signikan
dalam hal regulasi emosi pada siswa dilihat dari segi jenis sekolah
(SD vs. SMP vs. SMA) (Hipotesis 1). Hipotesis kedua
menyatakan bahwa regulasi emosi siswa SMA lebih tinggi secara
signifkan dibandingkan dengan regulasi emosi siswa SMP
(Hipotesis 2). Hipotesis ketiga menyatakan bahwa regulasi emosi
- 396 -
siswa SMA lebih tinggi secara signifikan dibandingkan dengan

regulasi emosi siswa SD (Hipotesis 3). Hasil penelitian
Tabel 61. Regulasi Emosi Siswa SD, SMP, dan SMA.
No. Subjek Jenis Murid Sekolah Regulasi Emosi
1 Murid SMA 10
2 Murid SMA 5
3 Murid SMA 8
4 Murid SMA 5
5 Murid SMA 8
6 Murid SMA 8
7 Murid SMA 6
8 Murid SMA 8
9 Murid SMA 7
10 Murid SMA 7
11 Murid SMP 7
12 Murid SMP 6
13 Murid SMP 6
14 Murid SMP 4
15 Murid SMP 3
16 Murid SMP 9
17 Murid SMP 3
18 Murid SMP 4
19 Murid SMP 2
20 Murid SMP 3
21 Murid SD 7
22 Murid SD 2
23 Murid SD 1
24 Murid SD 1
25 Murid SD 3
26 Murid SD 2
27 Murid SD 1
28 Murid SD 5
- 397 -
29 Murid SD 3
30 Murid SD 1

teknik tersebut.
edisi 7.
Soal 9
1. Seorang peneliti ingin menyelidiki pengaruh konflik antar
kelompok (intergroup conflict) antara Barat dan Islam terhadap
radikalisme beragama di kalangan mahasiswa Muslim. Ide ini
selanjutnya diuji melalui suatu penelitian eksperimen. Pertama-
tama, sebanyak 20 mahasiswa di awal perkuliahan diberikan
instruksi untuk menjelaskan secara ringkas aktivitas mereka hari
itu (control condition), kemudian radikalisme beragama 20
mahasiswa tersebut diukur. Partisipan yang sama di pertengahan
perkuliahan selanjutnya diberikan instruksi untuk mengingat
dan menyebutkan peristiwa-peristiwa damai antara Barat dan
Islam (low conflict condition), kemudian radikalisme beragama
20 mahasiswa tersebut diukur untuk kedua kalinya. Di akhir
perkuliahan, dua puluh partisipan tersebut diberi instruksi untuk
mengingat dan menyebutkan sejumlah peperangan ataupun
- 398 -
bentuk-bentuk konflik lainnya antara Barat dan Islam (high

conflict condition), kemudian radikalisme beragama 20
mahasiswa tersebut diukur untuk ketiga kalinya. Skor
radikalisme beragama bergerak dari 1 sampai 10. Berpatokan
pada teori dan riset-riset sebelumnya, hipotesis yang diajukan
ada tiga. Hipotesis pertama menyatakan bahwa terhadap
pengaruh signifikan konflik antar kelompok terhadap
radikalisme beragama (Hipotesis 1). Hipotesis kedua
menyatakan bahwa radikalisme beragama pada kondisi konflik
tinggi lebih tinggi secara signifikan dibandingkan dengan
radikalisme beragama pada kondisi kontrol (Hipotesis 2).
Hipotesis ketiga menyatakan bahwa radikalisme beragama pada
kondisi konflik tinggi lebih tinggi secara signifikan dibandingkan
dengan radikalisme beragama pada kondisi konflik rendah
(Hipotesis 3). Hasil penelitian ditampilkan dalam Tabel 62
sebagai berikut:
Tabel 62. Radikalisme Beragama dalam Control Condition, Low Conflict
Condition, dan High Conflict Condition.
No. Control Low Conflict High Conflict

Subjek Condition Condition Condition
1 7 6 7
2 5 2 8
3 9 1 9
4 3 3 9
5 5 2 4
6 5 2 7
7 5 4 8
8 8 6 8
9 3 3 8
10 2 2 8
11 8 3 8
12 5 3 10
13 5 3 6
14 6 6 5
- 399 -
15 7 7 7
16 4 1 8
17 4 1 6
18 3 2 8
19 7 1 8
20 5 2 9

teknik tersebut.
edisi 7.
Soal 10
1. Sebuah penelitian bertujuan menjelaskan maraknya prasangka
antarkelompok. Fenomena ini dikaitkan dengan ancaman
kelompok dan superioritas kelompok. Berlandaskan pada teori
dan hasil-hasil riset sebelumnya yang relevan, hipotesis pertama
yang diajukan menyatakan bahwa secara bersama-sama,
ancaman kelompok dan superioritas kelompok secara signifikan
berkaitan dengan prasangka terhadap kelompok lain (Hipotesis
1). Hipotesis kedua menyatakan bahwa dengan mengendalikan
peran superioritas kelompok, ancaman kelompok berkorelasi
secara signifikan dengan prasangka kelompok di mana tingginya
- 400 -
ancaman kelompok berkaitan dengan tingginya prasangka dan

sebaliknya, rendahnya ancaman kelompok berkaitan dengan
rendahnya prasangka (Hipotesis 2). Hipotesis ketiga menyatakan
bahwa dengan mengendalikan ancaman kelompok, superioritas
kelompok berkorelasi secara signifikan dengan prasangka
dimana tingginya superioritas kelompok berkaitan dengan
tingginya prasangka dan sebaliknya, rendahnya superioritas
kelompok berkaitan dengan rendahnya prasangka (Hipotesis 3).
Untuk membuktikan hipotesis-hipotesis tersebut, penelitian
merekrut 12 mahasiswa sebagai responden atau sampel
penelitian. Data hasil penelitian ditampilkan pada Tabel 63 di
bawah ini:
Tabel 63. Ancaman Kelompok, Superioritas Kelompok, dan Prasangka.
No. Ancaman Superioritas

Prasangka
Subjek Kelompok Kelompok
1. 10 4 7
2. 2 2 5
3. 6 8 10
4. 3 4 4
5. 7 5 6
6. 9 7 7
7. 3 2 4
8. 3 2 3
9. 5 5 8
10. 3 4 6
11. 2 3 5
12. 6 8 9
- 401 -

teknik tersebut.
edisi 7.
Soal 11
1. Seorang dokter ingin mengetahui peran persepsi terhadap stres
dan resiliensi menghadapi stres dalam memprediksi atau
menjelaskan kesejahteraan psikis lansia. Peneliti mengajukan tiga
hipotesis mengacu pada teori dan hasil-hasil riset sebelumnya yang
relevan. Hipotesis pertama menyatakan bahwa persepsi terhadap
stres dan resiliensi menghadapi stres secara simultan atau bersama-
sama berperan signifikan dalam menjelaskan kesejahteraan psikis
(Hipotesis 1). Hipotesis kedua menyatakan bahwa persepsi
terhadap stres secara parsial berperan signifikan dalam
menjelaskan kesejahteraan psikis di mana semakin tinggi
persepsi terhadap stres maka semakin rendah kesejahteraan
psikis dan sebaliknya, semakin rendah persepsi terhadap stres
maka semakin tinggi kesejahteraan psikis (Hipotesis 2). Hipotesis
ketiga menyatakan bahwa resiliensi menghadapi stres secara parsial
berperan signifikan dalam menjelaskan kesejahteraan psikis
dimana semakin tinggi resiliensi maka semakin tinggi kesejahteraan
- 402 -
psikis dan sebaliknya, semakin rendah resiliensi maka semakin

rendah kesejahteraan psikis (Hipotesis 3). Peneliti merekrut 20
orang lansia untuk menguji hipotesis-hipotesis penelitian. Data
hasil penelitian ditampilkan dalam Tabel 64 sebagai berikut:
Tabel 64. Persepsi Terhadap Stres, Resiliensi Menghadapi Stres,

dan Kesejahteraan Psikis Lansia.
Persepsi Resiliensi
No. Kesejahteraan
Terhadap Menghadapi
Subjek Psikis Lansia
Stres Stres
1 5 9 81
2 1 3 55
3 6 5 61
4 8 8 77
5 6 7 76
6 4 7 44
7 2 9 32
8 8 8 67
9 9 9 87
10 10 9 98
11 3 5 40
12 6 7 64
13 2 4 32
14 4 4 85
15 3 4 75
16 2 3 55
17 9 6 81
18 5 5 64
19 7 7 82
20 9 10 92

- 403 -

teknik tersebut.
edisi 7.
Soal 12
1. Sebuah penelitian bertujuan menguji pengaruh dua faktor
terhadap perilaku menolong kelompok lain (outgroup helping).
Faktor pertama adalah identifikasi kelompok dan faktor kedua
adalah status kelompok. Peneliti mengajukan tiga hipotesis dengan
berlandaskan pada teori dan hasil-hasil riset sebelumnya yang
relevan. Hipotesis pertama menyatakan bahwa superordinate
identification atau identifikasi dengan kelompok yang mencakup
baik kelompok sendiri (ingroup) maupun kelompok lain (outgroup)
dibandingkan dengan ingroup identification atau identifikasi
dengan kelompok sendiri lebih mendorong individu untuk bersedia
melakukan outgroup helping (Hipotesis 1). Hipotesis kedua
menyatakan bahwa status kelompok lain yang lebih rendah dengan
status kelompok sendiri (lower outgroup status) dibandingkan
dengan status kelompok lain yang lebih tinggi dibandingkan
dengan status kelompok sendiri (higher outgroup status) lebih
mendorong individu untuk melakukan outgroup helping (Hipotesis
2). Hipotesis ketiga menyatakan bahwa superordinate identification
lebih efektif mendorong outgroup helping dibandingkan dengan
ingroup identification terutama pada kondisi lower outgroup
status. Untuk menguji hipotesis-hipotesis penelitian, eksperimen
- 404 -
dilakukan dengan merandom partisipan ke dalam salah satu dari

4 kombinasi kondisi: (1) superordinate indentification dan lower
outgroup status, (2) superordinate identification dan higher
outgroup status, (3) ingroup identification dan lower outgroup
status, (4) ingroup identification dan higher outgroup status.
Tabel 65 di bawah ini menampilkan data hasil penelitian.
Tabel 65. Pengaruh Identifikasi Kelompok dan Status Kelompok Lain
terhadap Outgroup Helping.
No. Identifikasi Status Outgroup

Subjek kelompok kelompok lain helping
1. Superordinate Lower 100

8. Superordinate Higher 60
15. Ingroup Lower 50
22. Ingroup Higher 50
- 405 -


teknik tersebut.
edisi 7.
- 406 -
Index
A
Analisis Mediasi 16, 347, 349, 350, 355, 360, 361, 366,
Analisis Moderasi 372, 373, 375, 383, 385, 391,
ANOVA 11, 16, 22, 25, 146, 147, 148, 149, 150, 216, 217, 219, 220, 221,
223, 226, 229, 231, 232, 234, 235, 236, 237, 238, 239, 246, 248, 249,
251, 252, 253, 254, 255, 256, 257, 258, 260, 261, 262, 263,267, 270,
272, 273, 275, 276, 278, 279, 281, 285, 287, 289, 290, 292, 294, 295,
296, 297, 298, 300, 302, 309, 312, 316, 319, 321, 322, 323, 324, 325,
326, 327, 229, 331, 332, 334, 337, 341, 342, 346
APA 7th Edition 355, 356, 383, 391
E
Effect Size 35, 39, 40, 50, 152, 153, 155, 158, 159, 163, 167, 171, 172,
176, 180, 182, 187, 191, 192, 196, 199, 208, 212, 213, 220, 225, 226, 229,
239, 245, 260, 266, 271, 281, 282, 288, 300, 312, 326, 332, 337,
Eta Squared 219, 223, 224, 229, 231, 237, 238, 243, 260, 265, 266, 281,
283, 300, 307, 326, 332
H
Hipotesis 10, 11, 12, 13, 14, 36, 37, 44, 47, 48, 53, 61, 62 ,63, 64, 65, 70,
74, 75, 76, 77, 84, 85, 86, 91, 96, 107, 115, 121, 126, 127, 140, 141,
153, 154, 164, 165, 172, 174, 176, 181, 184, 185, 186, 192, 197, 199,
203, 206, 231, 220, 224, 225, 231, 240, 243, 245, 251, 256, 261, 262,
265, 271, 272, 273, 277, 278, 279, 281, 283, 284, 290, 291, 301, 302,
307, 308, 309, 315, 316, 328, 330, 332, 333, 340, 341, 355, 360, 374,
391,
- 407 -
Hipotesis Alternatif 11, 12, 36, 107, 164, 220

Hipotesis Dua Arah 11, 220,
Hipotesis Nihil 11, 13
Hipotesis Satu Arah 11, 39, 49, 65, 75, 91, 115, 135, 176, 244, 284, 309,
334
I
Independent Samples T-Test 147, 161, 162, 163, 164, 167, 171, 172,
173, 174, 175, 177, 180, 181, 182, 183, 184, 188, 191, 192, 193, 216,
217, 235,
Interaksi 148, 256, 257, 258, 259, 260, 261, 263, 264, 265, 266, 267, 279,
280, 281, 282, 293, 291, 297, 298, 300, 301, 302, 306, 307, 308, 316,
323, 324, 325, 326, 328, 330, 332, 334, 373, 383, 391
J
JASP 16, 17, 18, 20, 40, 41, 50, 51, 54, 67, 68, 71, 76, 77, 91, 93, 97, 117,
118, 119, 122, 130, 134, 135, 136, 137, 138, 141, 155, 156, 157, 159,
167, 169, 172, 178, 179, 183, 189, 193, 200, 201, 204, 209, 210, 211,
226, 227, 228, 231, 247, 248, 251, 256, 267, 268, 268, 285, 286, 309,
311, 334, 336, 341, 350, 352, 355, 361, 363, 366, 375, 376, 377, 385,
386, 387
K
Koefisien Determinasi 35, 116
Korelasi Parsial 27, 57, 59, 60, 61, 64, 65, 66, 70, 71, 75, 76, 77, 106,
121, 135, 136, 140, 141
Korelasi Semi Parsial 57, 60, 73, 74, 75, 76, 77, 134
- 408 -
M
Mixed ANOVA 150, 322, 323, 324, 325, 326, 327, 329, 331, 333, 334,
341, 342, 346,
O
Omega Squared 219, 224, 229, 238, 243, 251, 260, 266, 267, 282, 283
One-Sample T-Test 149, 151, 152, 153, 154, 155, 157, 158, 159, 170,
180, 190
One-Way Repeated Measures ANOVA 235, 236, 237, 238, 239, 246,
251, 252, 297
P
Paired Samples T-Test 149, 195, 196, 197, 200, 202, 203, 204, 205, 206,
2008, 209, 211, 212, 213, 216, 235,
Partial Eta Squared 300, 326, 332,
Peran Simultan 106, 115
Probing 256, 277, 301, 328, 379, 383, 389, 391
R
Regresi Linear 80, 82, 83, 84, 89, 90, 91, 97, 102, 107, 117, 121, 122,
126, 136, 140, 141, 355
Regresi Linear Ganda 102, 107, 117, 121, 122, 126, 136, 140, 141, 355
Regresi Linear Sederhana 80, 82, 83, 84, 89, 90, 91, 97
S
Skala Interval 5, 6, 7, 27, 34, 36, 40, 42, 47, 50, 52, 66, 68, 80, 91, 93,
117, 119, 136, 138, 150, 151, 155, 157, 161, 167, 169, 177, 179, 188,
189, 200, 209, 211, 216, 226, 228, 235, 246, 248, 255, 267, 269, 285,
287, 297, 309, 311, 334, 336, 350, 352, 362, 363, 375, 385
Skala Nominal 6, 7, 150, 160, 161, 169, 177, 179, 188, 189, 226, 228,
267, 269, 285, 287, 334, 336, 375
- 409 -
Skala Ordinal 6, 7, 27, 150,

Skala Rasio 5, 7, 150,
Statistika Parametrik 1, 4, 15, 26, 27, 34, 57, 78, 102, 146, 149, 151, 161,
195, 216, 235, 255, 296, 322,
T
Taraf Signifikansi 13, 36, 39, 47, 49, 64, 65, 74, 75, 82, 85, 89, 91, 107,
112, 115, 127, 135, 164, 166, 174, 176, 185, 197, 206, 221, 223, 225,
240, 243, 281, 284, 301, 306, 309, 328, 332, 334,
Two-Way Between-Subjects ANOVA 255, 256, 257, 260, 261, 262,
267, 272, 273, 276, 278, 285, 290, 292, 296, 322, 323
U
Uji Hubungan 11, 12, 13, 15, 26, 27, 34, 57, 78, 80, 102
Uji Perbedaan 11, 12, 13, 15, 24, 146, 147, 148, 149, 151, 161, 164, 172,
174, 184, 195, 197, 206, 216, 218, 219, 235, 236, 237, 238, 255, 257,
262, 296, 297, 302, 322, 323, 329, 331
V
Variabel 6, 7, 8, 9, 10, 11, 12, 13, 14, 19, 20, 24, 26, 27, 28, 29, 30, 31,
32, 33, 34, 35, 36, 42, 44, 46, 47, 49, 52, 54, 55, 56, 57, 58, 59, 60,
61, 62, 68, 69, 71, 72, 73, 74, 77, 78, 79, 80, 81, 82, 83, 84, 85, 90,
91, 93, 97, 98, 102, 103 ,104, 106, 107, 109, 116, 119, 122, 123, 125,
126, 128, 129, 130, 134, 135, 136, 141, 142, 145, 146, 147, 148, 149,
152, 157, 159, 160, 161, 162, 163, 167, 169, 170, 171, 172, 173, 177,
179, 180, 183, 188, 189, 190, 191, 195, 196, 199, 204, 209, 216, 217,
218, 219, 220, 223, 224, 228, 229, 232, 235, 236, 237, 238, 248, 252,
255, 256, 258, 259, 260, 261, 269, 270, 273, 279, 287, 292, 296, 297,
298, 299, 300, 318, 322, 324, 325, 326, 327, 342, 347, 348, 356, 359,
360, 363, 367, 371, 372, 373, 377
- 410 -
Variabel Dependen 9, 10, 16, 31, 34, 35, 46, 50, 54, 55, 57, 58, 60, 71,
72, 73, 74, 78, 79, 80, 82, 83, 85, 86, 91, 97, 98, 104, 105, 106, 109,
126, 128, 135, 136, 141, 142, 146, 147, 148, 149, 151, 152, 159, 162,
163, 167, 169, 172, 173, 179, 188, 189, 195, 196, 199, 204, 209, 216,
217, 219, 220, 223, 224, 232, 235, 236, 237, 238, 255, 256, 258, 259,
260, 261, 273, 276, 292, 296, 297, 323, 325, 326, 347, 348, 356, 367,
371, 372, 373
Variabel Independen 9, 10, 13, 31, 34, 35, 39, 44, 46, 49, 54, 55, 57, 58,
60, 71, 72, 73, 74, 78, 79, 80, 81, 82, 83, 84, 85, 86, 91, 97, 98, 102,
103, 104, 105, 106, 107, 122, 123, 126, 127, 128, 129, 130, 133, 134,
135, 136, 141, 142, 146, 147, 148, 149, 161, 163, 167, 172, 177, 178,
195, 216, 217, 218, 219, 235, 236, 237, 238, 252, 255, 256, 258, 265,
266, 273, 276, 277, 296, 297, 298, 299, 300, 318, 322, 323, 324, 325,
326, 327, 330, 342, 344, 347, 348, 367, 371, 372, 373
Variabel Mediator 9, 10, 347, 356, 367,
Variabel Moderator 9, 372, 373
- 411 -
Daftar Pustaka
Alin, A., & Kurt, S. (2006). Testing non-additivity (interaction) in

two-way ANOVA tables with no replication. Statistical Methods
in Medical Research, 15(1), 63-85. https://doi.org/
10.1191/0962280206sm426oa
American Psychological Association. (2020). Publication manual of
the American psychological association (7th ed.). https://doi.org/
10.1037/0000165-000
Bakeman, R. (2005). Recommended effect size statistics for repeated
measures designs. Behavior Research Methods, 37(3), 379-384.
https://doi.org/10.3758/BF03192707
Borenstein, M., Cooper, H., Hedges, L., & Valentine, J. (2009). Effect
sizes for continuous data. In H. Cooper, L. V. Hedges, & J. C.
Valentine (Eds.), The handbook of research synthesis and meta-
analysis (pp. 221-235). Russel Sage Foundation.
Bose, J. C. B. R. P., Mans, R. S., & van der Aalst, W. M. (2013). Wanna
improve process mining results?: It’s high time we consider data
quality issues seriously. BPM Reports, 1302.
https://www.narcis.nl/publication/RecordID/oai:pure.tue.nl:pu
blications%2Fb5aa17db-f3a8-45ac-95f2-4ccd400dd230
Cohen, B. H. (2013). Explaining psychological statistics. John Wiley &
Sons.
Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2014). Applied
multiple regression/correlation analysis for the behavioral
sciences. Psychology press. https://doi.org/10.4324/9781410
606266
Coolican, H. (2014). Research methods and statistics in psychology.
Routledge.
- 412 -
Corty, E. W. (2016). Using and interpreting statistics (3th ed.). Worth

Publishers
Creswell, J. W. (2012). Educational research: Planning, conducting,
and evaluating quantitative and qualitative research (4th ed.).
Pearson.
Diekhoff, G. (1996). Basic statistics for the social and behavioral
sciences. Macmillan College.
Dougherty, C. (2002). Introduction to econometrics (2nd ed.). Oxford
University Press. Oxford.
Everitt, B., & Howell, D. C. (Eds.). (2005). Encyclopedia of statistics in
behavioral science. John Wiley & Sons, Ltd.
Field, A. (2019). Discovering statistics using IBM SPSS statistics. Sage.
Girden, E. R. (1992). ANOVA: Repeated measures. Sage.
Goss-Sampson, M. (2020). Statistical analysis in JASP: A guide for
students. https://jasp-stats.org/wp-content/uploads/2022/04/
Statistical-Analysis-in-JASP-A-Students-Guide-v16.pdf
Gravetter, F. J., Wallnau, L. B., Forzano, L. A. B., & Witnauer, J. E.
(2020). Essentials of statistics for the behavioral sciences. Cengage
Learning.
Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C.,
Goodman, S. N., & Altman, D. G. (2016). Statistical tests, P
values, confidence intervals, and power: A guide to
misinterpretations. European Journal of Epidemiology, 31(4),
337-350. https://doi.org/10.1007/s10654-016-0149-3
Hadi, S. (2004). Analisis Regresi. Penerbit Andi.
Hair, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., &
Ray, S. (2021). Mediation analysis. In J.F., Hair, J. F., G.T., Hult,
M., Ringle, C. M., Sarstedt, M. P. Danks & S. Ray (Eds.), Partial
Least Squares Structural Equation Modeling (PLS-SEM) Using
R (pp. 139-153). Springer.
Hayes, A. F. (2022). Introduction to mediation, moderation, and
conditional process analysis: A regression-based approach.
Guilford publications.
- 413 -
Hayes, A. F., & Matthes, J. (2009). Computational procedures for

probing interactions in OLS and logistic regression: SPSS and
SAS implementations. Behavior Research Methods, 41(3), 924-
936. https://doi.org/10.3758/BRM.41.3.924
Hefner, V. (2017a). Variables, moderating types. In M. Allen (ed.),
The SAGE Encyclopedia of communication research methods (pp.
1852-1854). SAGE Publications, Inc. https://dx.doi.org/
10.4135/9781483381411
Hefner, V. (2017b). Variables, mediating types. In M. Allen (ed.), The
SAGE Encyclopedia of communication research methods (pp.
10.4135/9781483381411
Heiman, G. (2013). Basic statistics for the behavioral sciences. Cengage
Learning.
Herzog, M. H., Francis, G., & Clarke, A. (2019). Understanding
statistics and experimental design: How to not lie with statistics.
Springer Nature.
Howell, D. C. (2017). Fundamental statistics for the behavioral
sciences. Cengage Learning.
King, B. M., Rosopa, P. J., & Minium, E. W. (2021). Statistical
reasoning in the behavioral sciences. John Wiley & Sons.
Lakens, D. (2013). Calculating and reporting effect sizes to facilitate
cumulative science: A practical primer for t-tests and
ANOVAs. Frontiers in Psychology, 4, 863.
https://doi.org/10.3389/fpsyg.2013.00863
Lane, D., Scott, D., Hebl, M., Guerra, R., Osherson, D., & Zimmer, H.
(2003). Introduction to statistics. https://onlinestatbook.
com/Online_Statistics_Education.pdf.
Lowry, R. (2001-2022). First-Order Partial Correlations: For Three
Intercorrelated Variables [Software]. http://vassarstats.net/
par.html
McKenzie, C. R. M. (2004). Hypothesis testing and evaluation. In D.
J. Koehler & N. Harvey (Eds.), Blackwell handbook of judgment
- 414 -
and decision making (pp. 200–219). Blackwell

Publishing. https://doi.org/10.1002/9780470752937.ch10.
Mashuri, A. (2022a). Modul Panduan Penulisan American
Psychological Association (APA) 7th Edition. Jurusan Psikologi,
Universitas Brawijaya. https://www.researchgate.net/
publication/363469484_Modul_Panduan_Penulisan_American
_Psychological_Association_APA_7th_Edition
Mashuri, A. (2022b). Buku ajar statistika nonparametrik. Inara
Publisher.
https://www.researchgate.net/publication/362517801_BUKU_A
JAR_STATISTIKA_NONPARAMETRIK
Memon, M. A., Cheah, J. H., Ramayah, T., Ting, H., Chuah, F., &
Cham, T. H. (2019). Moderation analysis: Issues and
guidelines. Journal of Applied Structural Equation
Modeling, 3(1), 1-11. https://jasemjournal.com/wp-content/
uploads/2019/10/2019-Memon-et-al-Moderation.pdf
Milin, P., & Hadžić, O. (2011). Moderating and mediating variables
in psychological research. In M. Lovric (ed.), International
Encyclopedia of statistical science. Springer. https://doi.org/
10.1007/978-3-642-04898-2_631
Montgomery, D. C., Peck, E. A., & Vining, G. G. (2021). Introduction
to linear regression analysis. John Wiley & Sons.
Navarro, D.J., Foxcroft, D.R., & Faulkenberry, T.J. (2019). Learning
statistics with JASP: A tutorial for psychology students and other
1
beginners. (Version ).
2
Olejnik, S., & Algina, J. (2003). Generalized eta and omega squared
statistics: Measures of effect size for some common research
designs. Psychological Methods, 8(4), 434–447. https://doi.org/
10.1037/1082-989X.8.4.434
Pagano, R. R. (2012). Understanding statistics in the behavioral
sciences. Cengage Learning.
Ploeger-Lyons, N. (2017). t-test, independent samples. In M. Allen
(ed.), The SAGE Encyclopedia of communication research
- 415 -
methods (pp. 1788-1790). SAGE Publications, Inc.

https://dx.doi.org/10.4135/9781483381411
Ploeger-Lyons, N. (2017). t-test, one sample. In M. Allen (ed.), The
SAGE Encyclopedia of communication research methods (pp.
10.4135/9781483381411
Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling
strategies for assessing and comparing indirect effects in multiple
mediator models. Behavior Research Methods, 40(3), 879-891.
https://doi.org/10.3758/BRM.40.3.879
Privitera, G. J. (2015). Statistics for the behavioral sciences (2nd
ed.). Sage Publications, Inc.
Puth, M. T., Neuhäuser, M., & Ruxton, G. D. (2014). Effective use of
Pearson's product–moment correlation coefficient. Animal
Behaviour, 93, 183-189. https://doi.org/10.1016/j.anbehav.2014.
05.003
P-Value from Pearson (R) Calculator. (2022). https://www.
socscistatistics.com/pvalues/pearsondistribution.aspx
P-Value from F-Ratio Calculator (ANOVA). (2022).
https://www.socscistatistics.com/pvalues/fdistribution.aspx
P-Value from T Score Calculator. (2022).
Romijn, J. W. (2014). Philosophy of statistics. In E. N. Zaltan (Ed.),
Stanford Encyclopedia of Philosophy. The Metaphysics Research
Lab, Center for the Study of Language and Information, Stanford
University.
Ross, A., & Willson, V. L. (2017). Basic and advanced statistical test.
Sense Publishers. https://doi.org/10.1007/978-94-6351-086-8_4
Rucker, D. D., Preacher, K. J., Tormala, Z. L., & Petty, R. E. (2011).
Mediation analysis in social psychology: Current practices and
new recommendations. Social and Personality Psychology
Compass, 5(6), 359-371. https://doi.org/10.1111/j.1751-
9004.2011.00355.x
Sheskin, D. J. (2011). Handbook of parametric and nonparametric
statistical procedures. Chapman and Hall/CRC.
- 416 -
Smith, K. (2017). Variables, dependent. In M. Allen (ed.), The SAGE

Encyclopedia of communication research methods (pp. 1844-
1845). SAGE Publications, Inc. https://doi.org/10.4135/
9781483381411
Soper, D. S. (2022). p-Value Calculator for Correlation Coefficients
[Software]. https://www.danielsoper.com/statcalc
VanderWeele, T. J. (2016). Mediation analysis: A practitioner's
guide. Annual Review of Public Health, 37, 17-32.
https://doi.org/10.1146/annurev-publhealth-032315-021402
Verma, J. P. (2015). Repeated measures design for empirical
researchers. John Wiley & Sons.
Wagenmakers, E. J., Love, J., Marsman, M., Jamil, T., Ly, A.,
Verhagen, J., ... & Morey, R. D. (2018). Bayesian inference for
psychology. Part II: Example applications with
JASP. Psychonomic Bulletin & Review, 25(1), 58-76.
https://doi.org/10.3758/s13423-017-1323-7
Weathington, B. L., Cunningham, C. J., & Pittenger, D. J.
(2012). Understanding business research. John Wiley & Sons.
Wilcox, R. R. (2010). Fundamentals of modern statistical methods:
Substantially improving power and accuracy (2nd ed.). Springer.
https://doi.org/10.1007/978-1-4419-5525-8
Wilcox, R. (2008). Constant. In P. J. Lavrakas (Ed.)
Encyclopedia of survey research methods (pp. 133-134). Sage
Publications, Inc. https://doi.org/10.4135/9781412963947
Williamson, K. (2002). Research methods for students, academics and
professionals: Information management and systems. Elsevier.
Zhang, J. (2013). Estimation and Testing Methods for Monotone
Transformation Models (Doctoral dissertation, Columbia
University).
- 417 -
Lampiran
Tabel A. 1. Distribusi dan Nilai Kritis Koefisien Pearson Product Moment (r).
Taraf Signifikansi Tes Satu Arah (One-Tailed)
db α = 0.1 α = 0.05 α = 0.025 α = 0.01 α = 0.005 α = 0.0005

Taraf Signifikansi Tes Dua Arah (Two-Tailed)
α = 0.2 α = 0.1 α = 0.05 α = 0.02 α = 0.01 α = 0.001
1 0.9511 0.9877 0.9969 0.9995 0.9999 0.9999
2 0.8000 0.9000 0.9500 0.9800 0.9900 0.9990
3 0.6870 0.8054 0.8783 0.9343 0.9587 0.9911
4 0.6084 0.7293 0.8114 0.8822 0.9172 0.9741
5 0.5509 0.6694 0.7545 0.8329 0.8745 0.9509
6 0.5067 0.6215 0.7067 0.7887 0.8343 0.9249
7 0.4716 0.5822 0.6664 0.7498 0.7977 0.8983
8 0.4428 0.5494 0.6319 0.7155 0.7646 0.8721
9 0.4187 0.5214 0.6021 0.6851 0.7348 0.8470
10 0.3981 0.4973 0.5760 0.6581 0.7079 0.8233
11 0.3802 0.4762 0.5529 0.6339 0.6835 0.8010
12 0.3646 0.4575 0.5324 0.6120 0.6614 0.7800
13 0.3507 0.4409 0.5140 0.5923 0.6411 0.7604
14 0.3383 0.4259 0.4973 0.5742 0.6226 0.7419
15 0.3271 0.4124 0.4821 0.5577 0.6055 0.7247
16 0.3170 0.4000 0.4683 0.5425 0.5897 0.7084
17 0.3077 0.3887 0.4555 0.5285 0.5751 0.6932
18 0.2992 0.3783 0.4438 0.5155 0.5614 0.6788
19 0.2914 0.3687 0.4329 0.5034 0.5487 0.6652
20 0.2841 0.3598 0.4227 0.4921 0.5368 0.6524
21 0.2774 0.3515 0.4132 0.4815 0.5256 0.6402
22 0.2711 0.3438 0.4044 0.4716 0.5151 0.6287
23 0.2653 0.3365 0.3961 0.4622 0.5052 0.6178
24 0.2598 0.3297 0.3882 0.4534 0.4958 0.6074
25 0.2546 0.3233 0.3809 0.4451 0.4869 0.5974
30 0.2327 0.2960 0.3494 0.4093 0.4487 0.5541
35 0.2156 0.2746 0.3246 0.3810 0.4182 0.5189
40 0.2018 0.2573 0.3044 0.3578 0.3932 0.4896
50 0.1806 0.2306 0.2732 0.3218 0.3542 0.4432
60 0.1650 0.2108 0.2500 0.2948 0.3248 0.4079
- 418 -
70 0.1528 0.1954 0.2319 0.2737 0.3017 0.3798

80 0.1430 0.1829 0.2172 0.2565 0.2830 0.3568
90 0.1348 0.1726 0.2050 0.2422 0.2673 0.3375
100 0.1279 0.1638 0.1946 0.2301 0.2540 0.3211
150 0.1045 0.1339 0.1593 0.1886 0.2084 0.2643
300 0.0740 0.0948 0.1129 0.1338 0.1480 0.1884
500 0.0573 0.0735 0.0875 0.1038 0.1149 0.1464
1000 0.0405 0.0520 0.0619 0.0735 0.0813 0.1038
Sumber: Weathington dkk. (2012).

- 419 -
Tabel A. 2. Distribusi dan Nilai Kritis Student’s t.
Taraf Signifikansi Tes Dua Arah (Two-Tailed)
α = 0.1 α = 0.05 α = 0.02 α = 0.01 α = 0.002 α = 0.001

db
Taraf Signifikansi Tes Satu Arah (One-Tailed)
α = 0.05 α = 0.025 α = 0.01 α = 0.005 α = 0.001 α = 0.0005

1 6.314 12.706 31.821 63.657 318.309 636.619
2 2.920 4.303 6.965 9.925 22.327 31.599
3 2.353 3.182 4.541 5.841 10.215 12.924
4 2.132 2.776 3.747 4.604 7.173 8.610
5 2.015 2.571 3.365 4.032 5.893 6.869
6 1.943 2.447 3.143 3.707 5.208 5.959
7 1.894 2.365 2.998 3.499 4.785 5.408
8 1.860 2.306 2.896 3.355 4.501 5.041
9 1.833 2.262 2.821 3.250 4.297 4.781
10 1.812 2.228 2.764 3.169 4.144 4.587
11 1.796 2.201 2.718 3.106 4.025 4.437
12 1.782 2.179 2.681 3.055 3.930 4.318
13 1.771 2.160 2.650 3.012 3.852 4.221
14 1.761 2.145 2.624 2.977 3.787 4.140
15 1.753 2.131 2.602 2.947 3.733 4.073
16 1.746 2.120 2.583 2.921 3.686 4.015
17 1.740 2.110 2.567 2.898 3.646 3.965
18 1.734 2.101 2.552 2.878 3.610 3.922
19 1.729 2.093 2.539 2.861 3.579 3.883
20 1.725 2.086 2.528 2.845 3.552 3.850
21 1.721 2.080 2.518 2.831 3.527 3.819
22 1.717 2.074 2.508 2.819 3.505 3.792
23 1.714 2.069 2.500 2.807 3.485 3.768
24 1.711 2.064 2.492 2.797 3.467 3.745
25 1.708 2.060 2.485 2.787 3.450 3.725
26 1.706 2.056 2.479 2.779 3.435 3.707
27 1.703 2.052 2.473 2.771 3.421 3.690
28 1.701 2.048 2.467 2.763 3.408 3.674
29 1.699 2.045 2.462 2.756 3.396 3.659
30 1.697 2.042 2.457 2.750 3.385 3.646
32 1.694 2.037 2.449 2.738 3.365 3.622
34 1.691 2.032 2.441 2.728 3.348 3.601
36 1.688 2.028 2.434 2.719 3.333 3.582
- 420 -
38 1.686 2.024 2.429 2.712 3.319 3.566

40 1.684 2.021 2.423 2.704 3.307 3.551
42 1.682 2.018 2.418 2.698 3.296 3.538
44 1.680 2.015 2.414 2.692 3.286 3.526
46 1.679 2.013 2.410 2.687 3.277 3.515
48 1.677 2.011 2.407 2.682 3.269 3.505
50 1.676 2.009 2.403 2.678 3.261 3.496
60 1.671 2.000 2.390 2.660 3.232 3.460
70 1.667 1.994 2.381 2.648 3.211 3.435
80 1.664 1.990 2.374 2.639 3.195 3.416
90 1.662 1.987 2.368 2.632 3.183 3.402
100 1.660 1.984 2.364 2.626 3.174 3.390
120 1.658 1.980 2.358 2.617 3.160 3.373
150 1.655 1.976 2.351 2.609 3.145 3.357
200 1.653 1.972 2.345 2.601 3.131 3.340
300 1.650 1.968 2.339 2.592 3.118 3.323
400 1.649 1.966 2.336 2.588 3.111 3.315
500 1.648 1.965 2.334 2.586 3.107 3.310
600 1.647 1.964 2.333 2.584 3.104 3.307
∞ 1.645 1.960 2.326 2.576 3.090 3.291
Sumber: Dougherty (2002).
- 421 -
Tabel A. 3. Distribusi dan Nilai Kritis F Taraf Signifikansi 0.05 (α = 0.05).
db 2=
db 1 = antar (between-subjects)
dalam
(within)
1 2 3 4 5 6 7 8 9 10 12 14 16 18 20
1 161.45 199.50 215.71 224.58 230.16 233.99 236.77 238.88 240.54 241.88 243.91 245.36 246.46 247.32 248.01
2 18.51 19.00 19.16 19.25 19.30 19.33 19.35 19.37 19.38 19.40 19.41 19.42 19.43 19.44 19.45
3 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79 8.74 8.71 8.69 8.67 8.66
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96 5.91 5.87 5.84 5.82 5.80
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74 4.68 4.64 4.60 4.58 4.56
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.00 3.96 3.92 3.90 3.87
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64 3.57 3.53 3.49 3.47 3.44
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35 3.28 3.24 3.20 3.17 3.15
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14 3.07 3.03 2.99 2.96 2.94
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98 2.91 2.86 2.83 2.80 2.77
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85 2.79 2.74 2.70 2.67 2.65
12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75 2.69 2.64 2.60 2.57 2.54
13 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71 2.67 2.60 2.55 2.51 2.48 2.46
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60 2.53 2.48 2.44 2.41 2.39
15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54 2.48 2.42 2.38 2.35 2.33
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49 2.42 2.37 2.33 2.30 2.28
17 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49 2.45 2.38 2.33 2.29 2.26 2.23
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41 2.34 2.29 2.25 2.22 2.19
19 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42 2.38 2.31 2.26 2.21 2.18 2.16
20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35 2.28 2.22 2.18 2.15 2.12
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37 2.32 2.25 2.20 2.16 2.12 2.10
22 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34 2.30 2.23 2.17 2.13 2.10 2.07
23 4.28 3.42 3.03 2.80 2.64 2.53 2.44 2.37 2.32 2.27 2.20 2.15 2.11 2.08 2.05
24 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30 2.25 2.18 2.13 2.09 2.05 2.03
25 4.24 3.39 2.99 2.76 2.60 2.49 2.40 2.34 2.28 2.24 2.16 2.11 2.07 2.04 2.01
26 4.22 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.22 2.15 2.09 2.05 2.02 1.99
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25 2.20 2.13 2.08 2.04 2.00 1.97
28 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24 2.19 2.12 2.06 2.02 1.99 1.96
29 4.18 3.33 2.93 2.70 2.55 2.43 2.35 2.28 2.22 2.18 2.10 2.05 2.01 1.97 1.94
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16 2.09 2.04 1.99 1.96 1.93
35 4.12 3.27 2.87 2.64 2.49 2.37 2.29 2.22 2.16 2.11 2.04 1.99 1.94 1.91 1.88
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08 2.00 1.95 1.90 1.87 1.84
50 4.03 3.18 2.79 2.56 2.40 2.29 2.20 2.13 2.07 2.03 1.95 1.89 1.85 1.81 1.78
60 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99 1.92 1.86 1.82 1.78 1.75
70 3.98 3.13 2.74 2.50 2.35 2.23 2.14 2.07 2.02 1.97 1.89 1.84 1.79 1.75 1.72
80 3.96 3.11 2.72 2.49 2.33 2.21 2.13 2.06 2.00 1.95 1.88 1.82 1.77 1.73 1.70
- 422 -
90 3.95 3.10 2.71 2.47 2.32 2.20 2.11 2.04 1.99 1.94 1.86 1.80 1.76 1.72 1.69
100 3.94 3.09 2.70 2.46 2.31 2.19 2.10 2.03 1.97 1.93 1.85 1.79 1.75 1.71 1.68
120 3.92 3.07 2.68 2.45 2.29 2.18 2.09 2.02 1.96 1.91 1.83 1.78 1.73 1.69 1.66
150 3.90 3.06 2.66 2.43 2.27 2.16 2.07 2.00 1.94 1.89 1.82 1.76 1.71 1.67 1.64
200 3.89 3.04 2.65 2.42 2.26 2.14 2.06 1.98 1.93 1.88 1.80 1.74 1.69 1.66 1.62
250 3.88 3.03 2.64 2.41 2.25 2.13 2.05 1.98 1.92 1.87 1.79 1.73 1.68 1.65 1.61
300 3.87 3.03 2.63 2.40 2.24 2.13 2.04 1.97 1.91 1.86 1.78 1.72 1.68 1.64 1.61
400 3.86 3.02 2.63 2.39 2.24 2.12 2.03 1.96 1.90 1.85 1.78 1.72 1.67 1.63 1.60
500 3.86 3.01 2.62 2.39 2.23 2.12 2.03 1.96 1.90 1.85 1.77 1.71 1.66 1.62 1.59
600 3.86 3.01 2.62 2.39 2.23 2.11 2.02 1.95 1.90 1.85 1.77 1.71 1.66 1.62 1.59
750 3.85 3.01 2.62 2.38 2.23 2.11 2.02 1.95 1.89 1.84 1.77 1.70 1.66 1.62 1.58
1000 3.85 3.00 2.61 2.38 2.22 2.11 2.02 1.95 1.89 1.84 1.76 1.70 1.65 1.61 1.58

- 423 -
Tabel A. 4. (Lanjutan). Distribusi dan Nilai Kritis F

Taraf Signifikansi 0.05 (α = 0.05).
db 2 =
db 1 = antar (between-subjects)
dalam
(within) 25 30 35 40 50 60 75 100 150 200
1 249.26 250.10 250.69 251.14 251.77 252.20 252.62 253.04 253.46 253.68
2 19.46 19.46 19.47 19.47 19.48 19.48 19.48 19.49 19.49 19.49
3 8.63 8.62 8.60 8.59 8.58 8.57 8.56 8.55 8.54 8.54
4 5.77 5.75 5.73 5.72 5.70 5.69 5.68 5.66 5.65 5.65
5 4.52 4.50 4.48 4.46 4.44 4.43 4.42 4.41 4.39 4.39
6 3.83 3.81 3.79 3.77 3.75 3.74 3.73 3.71 3.70 3.69
7 3.40 3.38 3.36 3.34 3.32 3.30 3.29 3.27 3.26 3.25
8 3.11 3.08 3.06 3.04 3.02 3.01 2.99 2.97 2.96 2.95
9 2.89 2.86 2.84 2.83 2.80 2.79 2.77 2.76 2.74 2.73
10 2.73 2.70 2.68 2.66 2.64 2.62 2.60 2.59 2.57 2.56
11 2.60 2.57 2.55 2.53 2.51 2.49 2.47 2.46 2.44 2.43
12 2.50 2.47 2.44 2.43 2.40 2.38 2.37 2.35 2.33 2.32
13 2.41 2.38 2.36 2.34 2.31 2.30 2.28 2.26 2.24 2.23
14 2.34 2.31 2.28 2.27 2.24 2.22 2.21 2.19 2.17 2.16
15 2.28 2.25 2.22 2.20 2.18 2.16 2.14 2.12 2.10 2.10
16 2.23 2.19 2.17 2.15 2.12 2.11 2.09 2.07 2.05 2.04
17 2.18 2.15 2.12 2.10 2.08 2.06 2.04 2.02 2.00 1.99
18 2.14 2.11 2.08 2.06 2.04 2.02 2.00 1.98 1.96 1.95
19 2.11 2.07 2.05 2.03 2.00 1.98 1.96 1.94 1.92 1.91
20 2.07 2.04 2.01 1.99 1.97 1.95 1.93 1.91 1.89 1.88
21 2.05 2.01 1.98 1.96 1.94 1.92 1.90 1.88 1.86 1.84
22 2.02 1.98 1.96 1.94 1.91 1.89 1.87 1.85 1.83 1.82
23 2.00 1.96 1.93 1.91 1.88 1.86 1.84 1.82 1.80 1.79
24 1.97 1.94 1.91 1.89 1.86 1.84 1.82 1.80 1.78 1.77
25 1.96 1.92 1.89 1.87 1.84 1.82 1.80 1.78 1.76 1.75
26 1.94 1.90 1.87 1.85 1.82 1.80 1.78 1.76 1.74 1.73
27 1.92 1.88 1.86 1.84 1.81 1.79 1.76 1.74 1.72 1.71
28 1.91 1.87 1.84 1.82 1.79 1.77 1.75 1.73 1.70 1.69
29 1.89 1.85 1.83 1.81 1.77 1.75 1.73 1.71 1.69 1.67
30 1.88 1.84 1.81 1.79 1.76 1.74 1.72 1.70 1.67 1.66
35 1.82 1.79 1.76 1.74 1.70 1.68 1.66 1.63 1.61 1.60
40 1.78 1.74 1.72 1.69 1.66 1.64 1.61 1.59 1.56 1.55
- 424 -
50 1.73 1.69 1.66 1.63 1.60 1.58 1.55 1.52 1.50 1.48
60 1.69 1.65 1.62 1.59 1.56 1.53 1.51 1.48 1.45 1.44
70 1.66 1.62 1.59 1.57 1.53 1.50 1.48 1.45 1.42 1.40
80 1.64 1.60 1.57 1.54 1.51 1.48 1.45 1.43 1.39 1.38
90 1.63 1.59 1.55 1.53 1.49 1.46 1.44 1.41 1.38 1.36
100 1.62 1.57 1.54 1.52 1.48 1.45 1.42 1.39 1.36 1.34
120 1.60 1.55 1.52 1.50 1.46 1.43 1.40 1.37 1.33 1.32
150 1.58 1.54 1.50 1.48 1.44 1.41 1.38 1.34 1.31 1.29
200 1.56 1.52 1.48 1.46 1.41 1.39 1.35 1.32 1.28 1.26
250 1.55 1.50 1.47 1.44 1.40 1.37 1.34 1.31 1.27 1.25
300 1.54 1.50 1.46 1.43 1.39 1.36 1.33 1.30 1.26 1.23
400 1.53 1.49 1.45 1.42 1.38 1.35 1.32 1.28 1.24 1.22
500 1.53 1.48 1.45 1.42 1.38 1.35 1.31 1.28 1.23 1.21
600 1.52 1.48 1.44 1.41 1.37 1.34 1.31 1.27 1.23 1.20
750 1.52 1.47 1.44 1.41 1.37 1.34 1.30 1.26 1.22 1.20
1000 1.52 1.47 1.43 1.41 1.36 1.33 1.30 1.26 1.22 1.19

- 425 -
Tabel A.4.1. Distribusi dan Nilai Kritis F Taraf Signifikansi 0.01 (α = 0.01).
db 2 = db 1 = antar (between-subjects)
dalam
within
1 2 3 4 5 6 7 8 9 10 12 14 16 18 20
1 4052.18 4999.50 5403.35 5624.58 5763.65 5858.99 5928.36 5981.07 6022.47 6055.85 6106.32 6142.67 6170.10 6191.53 6208.73
2 98.50 99.00 99.17 99.25 99.30 99.33 99.36 99.37 99.39 99.40 99.42 99.43 99.44 99.44 99.45
3 34.12 30.82 29.46 28.71 28.24 27.91 27.67 27.49 27.35 27.23 27.05 26.92 26.83 26.75 26.69
4 21.20 18.00 16.69 15.98 15.52 15.21 14.98 14.80 14.66 14.55 14.37 14.25 14.15 14.08 14.02
5 16.26 13.27 12.06 11.39 10.97 10.67 10.46 10.29 10.16 10.05 9.89 9.77 9.68 9.61 9.55
6 13.75 10.92 9.78 9.15 8.75 8.47 8.26 8.10 7.98 7.87 7.72 7.60 7.52 7.45 7.40
7 12.25 9.55 8.45 7.85 7.46 7.19 6.99 6.84 6.72 6.62 6.47 6.36 6.28 6.21 6.16
8 11.26 8.65 7.59 7.01 6.63 6.37 6.18 6.03 5.91 5.81 5.67 5.56 5.48 5.41 5.36
9 10.56 8.02 6.99 6.42 6.06 5.80 5.61 5.47 5.35 5.26 5.11 5.01 4.92 4.86 4.81
10 10.04 7.56 6.55 5.99 5.64 5.39 5.20 5.06 4.94 4.85 4.71 4.60 4.52 4.46 4.41
11 9.65 7.21 6.22 5.67 5.32 5.07 4.89 4.74 4.63 4.54 4.40 4.29 4.21 4.15 4.10
12 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.50 4.39 4.30 4.16 4.05 3.97 3.91 3.86
13 9.07 6.70 5.74 5.21 4.86 4.62 4.44 4.30 4.19 4.10 3.96 3.86 3.78 3.72 3.66
14 8.86 6.51 5.56 5.04 4.69 4.46 4.28 4.14 4.03 3.94 3.80 3.70 3.62 3.56 3.51
15 8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00 3.89 3.80 3.67 3.56 3.49 3.42 3.37
16 8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89 3.78 3.69 3.55 3.45 3.37 3.31 3.26
17 8.40 6.11 5.18 4.67 4.34 4.10 3.93 3.79 3.68 3.59 3.46 3.35 3.27 3.21 3.16
18 8.29 6.01 5.09 4.58 4.25 4.01 3.84 3.71 3.60 3.51 3.37 3.27 3.19 3.13 3.08
19 8.18 5.93 5.01 4.50 4.17 3.94 3.77 3.63 3.52 3.43 3.30 3.19 3.12 3.05 3.00
20 8.10 5.85 4.94 4.43 4.10 3.87 3.70 3.56 3.46 3.37 3.23 3.13 3.05 2.99 2.94
21 8.02 5.78 4.87 4.37 4.04 3.81 3.64 3.51 3.40 3.31 3.17 3.07 2.99 2.93 2.88
22 7.95 5.72 4.82 4.31 3.99 3.76 3.59 3.45 3.35 3.26 3.12 3.02 2.94 2.88 2.83
23 7.88 5.66 4.76 4.26 3.94 3.71 3.54 3.41 3.30 3.21 3.07 2.97 2.89 2.83 2.78
24 7.82 5.61 4.72 4.22 3.90 3.67 3.50 3.36 3.26 3.17 3.03 2.93 2.85 2.79 2.74
25 7.77 5.57 4.68 4.18 3.85 3.63 3.46 3.32 3.22 3.13 2.99 2.89 2.81 2.75 2.70
26 7.72 5.53 4.64 4.14 3.82 3.59 3.42 3.29 3.18 3.09 2.96 2.86 2.78 2.72 2.66
27 7.68 5.49 4.60 4.11 3.78 3.56 3.39 3.26 3.15 3.06 2.93 2.82 2.75 2.68 2.63
28 7.64 5.45 4.57 4.07 3.75 3.53 3.36 3.23 3.12 3.03 2.90 2.79 2.72 2.65 2.60
29 7.60 5.42 4.54 4.04 3.73 3.50 3.33 3.20 3.09 3.00 2.87 2.77 2.69 2.63 2.57
30 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.07 2.98 2.84 2.74 2.66 2.60 2.55
35 7.42 5.27 4.40 3.91 3.59 3.37 3.20 3.07 2.96 2.88 2.74 2.64 2.56 2.50 2.44
40 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.89 2.80 2.66 2.56 2.48 2.42 2.37
50 7.17 5.06 4.20 3.72 3.41 3.19 3.02 2.89 2.78 2.70 2.56 2.46 2.38 2.32 2.27
60 7.08 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.72 2.63 2.50 2.39 2.31 2.25 2.20
70 7.01 4.92 4.07 3.60 3.29 3.07 2.91 2.78 2.67 2.59 2.45 2.35 2.27 2.20 2.15
80 6.96 4.88 4.04 3.56 3.26 3.04 2.87 2.74 2.64 2.55 2.42 2.31 2.23 2.17 2.12
90 6.93 4.85 4.01 3.53 3.23 3.01 2.84 2.72 2.61 2.52 2.39 2.29 2.21 2.14 2.09
100 6.90 4.82 3.98 3.51 3.21 2.99 2.82 2.69 2.59 2.50 2.37 2.27 2.19 2.12 2.07
120 6.85 4.79 3.95 3.48 3.17 2.96 2.79 2.66 2.56 2.47 2.34 2.23 2.15 2.09 2.03
150 6.81 4.75 3.91 3.45 3.14 2.92 2.76 2.63 2.53 2.44 2.31 2.20 2.12 2.06 2.00
200 6.76 4.71 3.88 3.41 3.11 2.89 2.73 2.60 2.50 2.41 2.27 2.17 2.09 2.03 1.97
- 426 -
250 6.74 4.69 3.86 3.40 3.09 2.87 2.71 2.58 2.48 2.39 2.26 2.15 2.07 2.01 1.95
300 6.72 4.68 3.85 3.38 3.08 2.86 2.70 2.57 2.47 2.38 2.24 2.14 2.06 1.99 1.94
400 6.70 4.66 3.83 3.37 3.06 2.85 2.68 2.56 2.45 2.37 2.23 2.13 2.05 1.98 1.92
500 6.69 4.65 3.82 3.36 3.05 2.84 2.68 2.55 2.44 2.36 2.22 2.12 2.04 1.97 1.92
600 6.68 4.64 3.81 3.35 3.05 2.83 2.67 2.54 2.44 2.35 2.21 2.11 2.03 1.96 1.91
750 6.67 4.63 3.81 3.34 3.04 2.83 2.66 2.53 2.43 2.34 2.21 2.11 2.02 1.96 1.90
1000 6.66 4.63 3.80 3.34 3.04 2.82 2.66 2.53 2.43 2.34 2.20 2.10 2.02 1.95 1.90

- 427 -
Tabel A.4.2. (Lanjutan). Distribusi dan Nilai Kritis F Taraf Signifikansi

0.01 (α = 0.01).
dalam
(within) 25 30 35 40 50 60 75 100 150 200
1 6239.83 6260.65 6275.57 6286.78 6302.52 6313.03 6323.56 6334.11 6344.68 6349.97
2 99.46 99.47 99.47 99.47 99.48 99.48 99.49 99.49 99.49 99.49
3 26.58 26.50 26.45 26.41 26.35 26.32 26.28 26.24 26.20 26.18
4 13.91 13.84 13.79 13.75 13.69 13.65 13.61 13.58 13.54 13.52
5 9.45 9.38 9.33 9.29 9.24 9.20 9.17 9.13 9.09 9.08
6 7.30 7.23 7.18 7.14 7.09 7.06 7.02 6.99 6.95 6.93
7 6.06 5.99 5.94 5.91 5.86 5.82 5.79 5.75 5.72 5.70
8 5.26 5.20 5.15 5.12 5.07 5.03 5.00 4.96 4.93 4.91
9 4.71 4.65 4.60 4.57 4.52 4.48 4.45 4.41 4.38 4.36
10 4.31 4.25 4.20 4.17 4.12 4.08 4.05 4.01 3.98 3.96
11 4.01 3.94 3.89 3.86 3.81 3.78 3.74 3.71 3.67 3.66
12 3.76 3.70 3.65 3.62 3.57 3.54 3.50 3.47 3.43 3.41
13 3.57 3.51 3.46 3.43 3.38 3.34 3.31 3.27 3.24 3.22
14 3.41 3.35 3.30 3.27 3.22 3.18 3.15 3.11 3.08 3.06
15 3.28 3.21 3.17 3.13 3.08 3.05 3.01 2.98 2.94 2.92
16 3.16 3.10 3.05 3.02 2.97 2.93 2.90 2.86 2.83 2.81
17 3.07 3.00 2.96 2.92 2.87 2.83 2.80 2.76 2.73 2.71
18 2.98 2.92 2.87 2.84 2.78 2.75 2.71 2.68 2.64 2.62
19 2.91 2.84 2.80 2.76 2.71 2.67 2.64 2.60 2.57 2.55
20 2.84 2.78 2.73 2.69 2.64 2.61 2.57 2.54 2.50 2.48
21 2.79 2.72 2.67 2.64 2.58 2.55 2.51 2.48 2.44 2.42
22 2.73 2.67 2.62 2.58 2.53 2.50 2.46 2.42 2.38 2.36
23 2.69 2.62 2.57 2.54 2.48 2.45 2.41 2.37 2.34 2.32
24 2.64 2.58 2.53 2.49 2.44 2.40 2.37 2.33 2.29 2.27
25 2.60 2.54 2.49 2.45 2.40 2.36 2.33 2.29 2.25 2.23
26 2.57 2.50 2.45 2.42 2.36 2.33 2.29 2.25 2.21 2.19
27 2.54 2.47 2.42 2.38 2.33 2.29 2.26 2.22 2.18 2.16
28 2.51 2.44 2.39 2.35 2.30 2.26 2.23 2.19 2.15 2.13
29 2.48 2.41 2.36 2.33 2.27 2.23 2.20 2.16 2.12 2.10
30 2.45 2.39 2.34 2.30 2.25 2.21 2.17 2.13 2.09 2.07
35 2.35 2.28 2.23 2.19 2.14 2.10 2.06 2.02 1.98 1.96
40 2.27 2.20 2.15 2.11 2.06 2.02 1.98 1.94 1.90 1.87
- 428 -
50 2.17 2.10 2.05 2.01 1.95 1.91 1.87 1.82 1.78 1.76
60 2.10 2.03 1.98 1.94 1.88 1.84 1.79 1.75 1.70 1.68
70 2.05 1.98 1.93 1.89 1.83 1.78 1.74 1.70 1.65 1.62
80 2.01 1.94 1.89 1.85 1.79 1.75 1.70 1.65 1.61 1.58
90 1.99 1.92 1.86 1.82 1.76 1.72 1.67 1.62 1.57 1.55
100 1.97 1.89 1.84 1.80 1.74 1.69 1.65 1.60 1.55 1.52
120 1.93 1.86 1.81 1.76 1.70 1.66 1.61 1.56 1.51 1.48
150 1.90 1.83 1.77 1.73 1.66 1.62 1.57 1.52 1.46 1.43
200 1.87 1.79 1.74 1.69 1.63 1.58 1.53 1.48 1.42 1.39
250 1.85 1.77 1.72 1.67 1.61 1.56 1.51 1.46 1.40 1.36
300 1.84 1.76 1.70 1.66 1.59 1.55 1.50 1.44 1.38 1.35
400 1.82 1.75 1.69 1.64 1.58 1.53 1.48 1.42 1.36 1.32
500 1.81 1.74 1.68 1.63 1.57 1.52 1.47 1.41 1.34 1.31
600 1.80 1.73 1.67 1.63 1.56 1.51 1.46 1.40 1.34 1.30
750 1.80 1.72 1.66 1.62 1.55 1.50 1.45 1.39 1.33 1.29
1000 1.79 1.72 1.66 1.61 1.54 1.50 1.44 1.38 1.32 1.28

- 429 -
Tabel A.5.1. Distribusi dan Nilai Kritis F

db 2 = db 1= antar (between-subjects)
dalam
(within)
1 2 3 4 5 6 7 8 9 10 12 14 16 18 20
1 4.05e05 5.00e05 5.40e05 5.62e05 5.76e05 5.86e05 5.93e05 5.98e05 6.02e05 6.06e05 6.11e05 6.14e05 6.17e05 6.19e05 6.21e05
2 998.50 999.00 999.17 999.25 999.30 999.33 999.36 999.37 999.39 999.40 999.42 999.43 999.44 999.44 999.45
3 167.03 148.50 141.11 137.10 134.58 132.85 131.58 130.62 129.86 129.25 128.32 127.64 127.14 126.74 126.42
4 74.14 61.25 56.18 53.44 51.71 50.53 49.66 49.00 48.47 48.05 47.41 46.95 46.60 46.32 46.10
5 47.18 37.12 33.20 31.09 29.75 28.83 28.16 27.65 27.24 26.92 26.42 26.06 25.78 25.57 25.39
6 35.51 27.00 23.70 21.92 20.80 20.03 19.46 19.03 18.69 18.41 17.99 17.68 17.45 17.27 17.12
7 29.25 21.69 18.77 17.20 16.21 15.52 15.02 14.63 14.33 14.08 13.71 13.43 13.23 13.06 12.93
8 25.41 18.49 15.83 14.39 13.48 12.86 12.40 12.05 11.77 11.54 11.19 10.94 10.75 10.60 10.48
9 22.86 16.39 13.90 12.56 11.71 11.13 10.70 10.37 10.11 9.89 9.57 9.33 9.15 9.01 8.90
10 21.04 14.91 12.55 11.28 10.48 9.93 9.52 9.20 8.96 8.75 8.45 8.22 8.05 7.91 7.80
11 19.69 13.81 11.56 10.35 9.58 9.05 8.66 8.35 8.12 7.92 7.63 7.41 7.24 7.11 7.01
12 18.64 12.97 10.80 9.63 8.89 8.38 8.00 7.71 7.48 7.29 7.00 6.79 6.63 6.51 6.40
13 17.82 12.31 10.21 9.07 8.35 7.86 7.49 7.21 6.98 6.80 6.52 6.31 6.16 6.03 5.93
14 17.14 11.78 9.73 8.62 7.92 7.44 7.08 6.80 6.58 6.40 6.13 5.93 5.78 5.66 5.56
15 16.59 11.34 9.34 8.25 7.57 7.09 6.74 6.47 6.26 6.08 5.81 5.62 5.46 5.35 5.25
16 16.12 10.97 9.01 7.94 7.27 6.80 6.46 6.19 5.98 5.81 5.55 5.35 5.20 5.09 4.99
17 15.72 10.66 8.73 7.68 7.02 6.56 6.22 5.96 5.75 5.58 5.32 5.13 4.99 4.87 4.78
18 15.38 10.39 8.49 7.46 6.81 6.35 6.02 5.76 5.56 5.39 5.13 4.94 4.80 4.68 4.59
19 15.08 10.16 8.28 7.27 6.62 6.18 5.85 5.59 5.39 5.22 4.97 4.78 4.64 4.52 4.43
20 14.82 9.95 8.10 7.10 6.46 6.02 5.69 5.44 5.24 5.08 4.82 4.64 4.49 4.38 4.29
21 14.59 9.77 7.94 6.95 6.32 5.88 5.56 5.31 5.11 4.95 4.70 4.51 4.37 4.26 4.17
22 14.38 9.61 7.80 6.81 6.19 5.76 5.44 5.19 4.99 4.83 4.58 4.40 4.26 4.15 4.06
23 14.20 9.47 7.67 6.70 6.08 5.65 5.33 5.09 4.89 4.73 4.48 4.30 4.16 4.05 3.96
24 14.03 9.34 7.55 6.59 5.98 5.55 5.23 4.99 4.80 4.64 4.39 4.21 4.07 3.96 3.87
25 13.88 9.22 7.45 6.49 5.89 5.46 5.15 4.91 4.71 4.56 4.31 4.13 3.99 3.88 3.79
26 13.74 9.12 7.36 6.41 5.80 5.38 5.07 4.83 4.64 4.48 4.24 4.06 3.92 3.81 3.72
27 13.61 9.02 7.27 6.33 5.73 5.31 5.00 4.76 4.57 4.41 4.17 3.99 3.86 3.75 3.66
28 13.50 8.93 7.19 6.25 5.66 5.24 4.93 4.69 4.50 4.35 4.11 3.93 3.80 3.69 3.60
29 13.39 8.85 7.12 6.19 5.59 5.18 4.87 4.64 4.45 4.29 4.05 3.88 3.74 3.63 3.54
30 13.29 8.77 7.05 6.12 5.53 5.12 4.82 4.58 4.39 4.24 4.00 3.82 3.69 3.58 3.49
35 12.90 8.47 6.79 5.88 5.30 4.89 4.59 4.36 4.18 4.03 3.79 3.62 3.48 3.38 3.29
40 12.61 8.25 6.59 5.70 5.13 4.73 4.44 4.21 4.02 3.87 3.64 3.47 3.34 3.23 3.14
50 12.22 7.96 6.34 5.46 4.90 4.51 4.22 4.00 3.82 3.67 3.44 3.27 3.41 3.04 2.95
60 11.97 7.77 6.17 5.31 4.76 4.37 4.09 3.86 3.69 3.54 3.32 3.15 3.02 2.91 2.83
70 11.80 7.64 6.06 5.20 4.66 4.28 3.99 3.77 3.60 3.45 3.23 3.06 2.93 2.83 2.74
80 11.67 7.54 5.97 5.12 4.58 4.20 3.92 3.70 3.53 3.39 3.16 3.00 2.87 2.76 2.68
90 11.57 7.47 5.91 5.06 4.53 4.15 3.87 3.65 3.48 3.34 3.11 2.95 2.82 2.71 2.63
100 11.50 7.41 5.86 5.02 4.48 4.11 3.83 3.61 3.44 3.30 3.07 2.91 2.78 2.68 2.59
120 11.38 7.32 5.78 4.95 4.42 4.04 3.77 3.55 3.38 3.24 3.02 2.85 2.72 2.62 2.53
150 11.27 7.24 5.71 4.88 4.35 3.98 3.71 3.49 3.32 3.18 2.96 2.80 2.67 2.56 2.48
- 430 -
200 11.15 7.15 5.63 4.81 4.29 3.92 3.65 3.43 3.26 3.12 2.90 2.74 2.61 2.51 2.42
250 11.09 7.10 5.59 4.77 4.25 3.88 3.61 3.40 3.23 3.09 2.87 2.71 2.58 2.48 2.39
300 11.04 7.07 5.56 4.75 4.22 3.86 3.59 3.38 3.21 3.07 2.85 2.69 2.56 2.46 2.37
400 10.99 7.03 5.53 4.71 4.19 3.83 3.56 3.35 3.18 3.04 2.82 2.66 2.53 2.43 2.34
500 10.96 7.00 5.51 4.69 4.18 3.81 3.54 3.33 3.16 3.02 2.81 2.64 2.52 2.41 2.33
600 10.94 6.99 5.49 4.68 4.16 3.80 3.53 3.32 3.15 3.01 2.80 2.63 2.51 2.40 2.32
750 10.91 6.97 5.48 4.67 4.15 3.79 3.52 3.31 3.14 3.00 2.78 2.62 2.49 2.39 2.31
1000 10.89 6.96 5.46 4.65 4.14 3.78 3.51 3.30 3.13 2.99 2.77 2.61 2.48 2.38 2.30

- 431 -
Tabel A.5.2. (Lanjutan). Distribusi dan Nilai Kritis F

dalam
(within) 25 30 35 40 50 60 75 100 150 200
1 6.24e05 6.24e05 6.24e05 6.24e05 6.24e05 6.24e05 6.24e05 6.24e05 6.24e05 6.24e05
2 999.46 999.47 999.47 999.47 999.48 999.48 999.49 999.49 999.49 999.49
3 125.84 125.45 125.17 124.96 124.66 124.47 124.27 124.07 123.87 123.77
4 45.70 45.43 45.23 45.09 44.88 44.75 44.61 44.47 44.33 44.26
5 25.08 24.87 24.72 24.60 24.44 24.33 24.22 24.12 24.01 23.95
6 16.85 16.67 16.54 16.44 16.31 16.21 16.12 16.03 15.93 15.89
7 12.69 12.53 12.41 12.33 12.20 12.12 12.04 11.95 11.87 11.82
8 10.26 10.11 10.00 9.92 9.80 9.73 9.65 9.57 9.49 9.45
9 8.69 8.55 8.46 8.37 8.26 8.19 8.11 8.04 7.96 7.93
10 7.60 7.47 7.37 7.30 7.19 7.12 7.05 6.98 6.91 6.87
11 6.81 6.68 6.59 6.52 6.42 6.35 6.28 6.21 6.14 6.10
12 6.22 6.09 6.00 5.93 5.83 5.76 5.70 5.63 5.56 5.52
13 5.75 5.63 5.54 5.47 5.37 5.30 5.24 5.17 5.10 5.07
14 5.38 5.25 5.17 5.10 5.00 4.94 4.87 4.81 4.74 4.71
15 5.07 4.95 4.86 4.80 4.70 4.64 4.57 4.51 4.44 4.41
16 4.82 4.70 4.61 4.54 4.45 4.39 4.32 4.26 4.19 4.16
17 4.60 4.48 4.40 4.33 4.24 4.18 4.11 4.05 3.98 3.95
18 4.42 4.30 4.22 4.15 4.06 4.00 3.93 3.87 3.80 3.77
19 4.26 4.14 4.06 3.99 3.90 3.84 3.78 3.71 3.65 3.61
20 4.12 4.00 3.92 3.86 3.77 3.70 3.64 3.58 3.51 3.48
21 4.00 3.88 3.80 3.74 3.64 3.58 3.52 3.46 3.39 3.36
22 3.89 3.78 3.70 3.63 3.54 3.48 3.41 3.35 3.28 3.25
23 3.79 3.68 3.60 3.53 3.44 3.38 3.32 3.25 3.19 3.16
24 3.71 3.59 3.51 3.45 3.36 3.29 3.23 3.17 3.10 3.07
25 3.63 3.52 3.43 3.37 3.28 3.22 3.15 3.09 3.03 2.99
26 3.56 3.44 3.36 3.30 3.21 3.15 3.08 3.02 2.95 2.92
27 3.49 3.38 3.30 3.23 3.14 3.08 3.02 2.96 2.89 2.86
28 3.43 3.32 3.24 3.18 3.09 3.02 2.96 2.90 2.83 2.80
29 3.38 3.27 3.18 3.12 3.03 2.97 2.91 2.84 2.78 2.74
30 3.33 3.22 3.13 3.07 2.98 2.92 2.86 2.79 2.73 2.69
35 3.13 3.02 2.93 2.87 2.78 2.72 2.66 2.59 2.52 2.49
40 2.98 2.87 2.79 2.73 2.64 2.57 2.51 2.44 2.38 2.34
- 432 -
50 2.79 2.68 2.60 2.53 2.44 2.38 2.31 2.25 2.18 2.14
60 2.67 2.55 2.47 2.41 2.32 2.25 2.19 2.12 2.05 2.01
70 2.58 2.47 2.39 2.32 2.23 2.16 2.10 2.03 1.95 1.92
80 2.52 2.41 2.32 2.26 2.16 2.10 2.03 1.96 1.89 1.85
90 2.47 2.36 2.27 2.21 2.11 2.05 1.98 1.91 1.83 1.79
100 2.43 2.32 2.24 2.17 2.08 2.01 1.94 1.87 1.79 1.75
120 2.37 2.26 2.18 2.11 2.02 1.95 1.88 1.81 1.73 1.68
150 2.32 2.21 2.12 2.06 1.96 1.89 1.82 1.74 1.66 1.62
200 2.26 2.15 2.07 2.00 1.90 1.83 1.76 1.68 1.60 1.55
250 2.23 2.12 2.03 1.97 1.87 1.80 1.72 1.65 1.56 1.51
300 2.21 2.10 2.01 1.94 1.85 1.78 1.70 1.62 1.53 1.48
400 2.18 2.07 1.98 1.92 1.82 1.75 1.67 1.59 1.50 1.45
500 2.17 2.05 1.97 1.90 1.80 1.73 1.65 1.57 1.48 1.43
600 2.16 2.04 1.96 1.89 1.79 1.72 1.64 1.56 1.46 1.41
750 2.15 2.03 1.95 1.88 1.78 1.71 1.63 1.55 1.45 1.40
1000 2.14 2.02 1.94 1.87 1.77 1.69 1.62 1.53 1.44 1.38

- 433 -
Tentang Penulis
Lahir di sebuah kotak kecil di selatan Jawa

Timur, Trenggalek, pada 17 Mei 1976, Ali
Mashuri menyelesaikan pendidikan sarjana (S1)
di Fakultas Psikologi Universitas Gadjah Mada,
Yogyakarta tahun 2002. Tahun 2009, Ali Mashuri
mendapatkan beasiswa Stuned (Studeren in
Nederland) dari pemerintah Belanda untuk
menempuh studi selama 2 tahun di Research
Master in Social Psychology, Vrije Universiteit (VU) Amsterdam.
Setelah menyelesaikan pendidikan magister (S2) dan meriah
gelar Master of Science (MSc) dari VU Amsterdam tahun 2011, tahun
2012 hingga saat ini Ali Mashuri diterima dan bekerja sebagai dosen
tetap di Jurusan Psikologi, Universitas Brawijaya. Tahun 2013, Ali
Mashuri mendapatkan beasiswa Netherlands Fellowship Programmes
(NFP) dari pemerintah Belanda untuk menempuh studi doktoral (S3) di
Program Studi Experimental and Applied Psychology, VU Amsterdam.
Tahun 2019, Ali Mashuri menyelesaikan pendidikan S3 di VU
Amsterdam dan meraih gelar Doctor of Philosophy (PhD).
Sebagai dosen tetap di Jurusan Psikologi, Universitas Brawijaya,
Ali Mashuri telah mengajar beberapa mata kuliah seperti Psikologi
Sosial, Psikologi Politik, Statistik Inferensial, Statistik Nonparametrik,
dan Metodologi Penelitian Kuantitatif. Minat dan publikasi penelitian
Ali Mashuri berfokus pada isu-isu hubungan antarkelompok
(intergroup relations). Topik riset Ali Mashuri cukup bervariasi, mulai
dari konflik dan rekonsiliasi, separatisme, kepercayaan pada teori
konspirasi, radikalisme dan moderasi beragama, serta perilaku
menolong antarkelompok (intergroup helping). Beberapa hasil
- 434 -
penelitian Ali Mashuri (Scopus ID: 55164700600) telah dipublikasikan

di jurnal-jurnal internasional bereputasi terindeks Scopus Q1 maupun
Q2, seperti Personality and Social Psychology Bulletin, Social
Psychological and Personality Science, British journal of social
psychology, Group Processes & Intergroup Relations, dan Asian
Journal of Social Psychology.
Ali Mashuri juga cukup aktif mereview artikel di jurnal-jurnal
internasional bereputasi (https://www.webofscience.com/wos/
author/record/5193?state=%7B%7D). Selain sebagai penulis dan
reviewer, Ali Mashuri juga terlibat sebagai Editorial Board dua jurnal
internasional bereputasi, yaitu Asian Journal of Social Psychology
(AJSP:https://onlinelibrary.wiley.com/page/journal/1467839x/home
page/editorialboard.html) dan Journal of Social and Political
Psychology (JSPP: https://jspp.psychopen.eu/index. php/jspp/ed-
board). Ali Mashuri juga dipercaya sebagai Tim Editor beberapa
jurnal nasional bereputasi, seperti Jurnal Psikologi Sosial (JPS:
http://jps.ui.ac.id/index.php/jps/about/editorialTeam).
View publication stats

Buku Ajar Statistika Parametrik Dasar: Uji Hubungan, Uji Perbedaan, Dan Aplikasinya Menggunakan JASP

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Buku Ajar Statistika Parametrik Dasar: Uji Hubungan, Uji Perbedaan, Dan Aplikasinya Menggunakan JASP

Diunggah oleh

Hak Cipta:

Format Tersedia

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Book · January 2023

Acknowledging common Abrahamic heritage View project

The user has requested enhancement of the downloaded file.

Statistika Parametrik Dasar

- Ali Mashuri, S.Psi., M.Sc., PhD -

Statistika Parametrik Dasar

Perpustakaan Nasional: Katalog dalam Terbitan (KDT)

Statistika Parametrik Dasar (Uji Hubungan, Uji Perbedaan, dan Aplikasinya

Ed. 1, -1- Malang: Inara Publisher, 2023

I. Matematika Statistika l. Judul

Hak cipta 2023, pada penulis

Dilarang mengutip sebagian atau seluruh isi buku dengan cara

Anggota IKAPI No. 306/JTI/2021

Cetakan I, Januari 2023

Desain Sampul: Dana Ari

Dicetak oleh PT Cita Intrans Selaras (Citila Grup)

Diterbitkan pertama kali oleh Inara Publisher

Buku ajar ini membahas statistika parametrik tingkat dasar,

Contoh-contoh rancangan penelitian kuantitatif dalam buku

Malang, 05 Januari 2023

Statistika parametrik adalah statistik yang mendasarkan pada

Latihan Soal __ 384

Hubungan antara Variabel Independen (X) dan

Tabel 1. Simbol Statistik Berbagai Macam Hipotesis

Tabel 13. Transformasi Data dalam Tabel 12 Peran Empati terhadap

Tabel 27. Kemampuan Menghafalkan Kata-Kata Benda pada Siswa

Tabel 40. Hasil Penghitungan Sumber Variasi, Derajat Bebas,

Tabel 50. Peran Jam Belajar dalam Seminggu dalam

A. Definisi Statistika Parametrik

sebagai data yang memberikan informasi numeris tentang tingkat

Gambar 1. Keterkaitan Definisi Statistika

Berdasarkan uraian di atas, statistika memiliki dua tujuan utama

tepat kesimpulan-kesimpulan yang dibenarkan atas dasar temuan-

Gambar 2. Kategori, Asumsi, dan Jenis Data Statistika Parametrik.

Mengacu pada Gambar 2. di atas, statistika inferensial selanjutnya

B. Skala Pengukuran Nominal, Ordinal, Interval, dan Rasio

pembagian bisa diberlakukan dalam skala pengukuran rasio. Beberapa

Dalam level skala ordinal berlaku hukum transformasi

Sebagai contoh adalah variabel usia. Jika diukur dalam basis

Gambar 3. Ilustrasi Penskalaan ke Bawah (Scaling Down) Variabel Usia.

Gambar 4. Jenis-Jenis Variabel Menurut Posisinya dalam Penelitian.

Variabel independen umumnya diberi simbol X, yang diartikan

Hipotesis bermanfaat untuk, pertama, mengorganisasikan usaha

Gambar 5. Jenis-Jenis Hipotesis Penelitian.

Gambar 5. di atas menyajikan beberapa jenis hipotesis

Arah negatif (–) dalam hipotesis alternatif satu arah menggambar-

Alternatif Simbol Ha; Ha; Ha; Ha; μ1 Ha; μ1 Ha; μ1

rata-rata atau mean kelompok pertama, μ2 adalah rata-rata atau mean

signikan dalam signikan dalam signikan dalam

F. Capaian Pembelajaran Lulusan (CPL) dan Capaian

humaniora”. Sementara itu, capaian pembelajaran mata kuliah

A. Pengenalan dan Instalasi JASP

Statisika frequentist menjadi paradigma statistika yang paling banyak

Gambar 6. Tampilan Website JASP.

B. Cara Menggunakan JASP

Gambar 7. Tampilan Layar Awal JASP.

Sebelum memulai membuka file dan menganalisis data, kita bisa

Gambar 8. Setting Output Analisis JASP.

Kita bisa juga menambahkan menu statistika sesuai kebutuhan.

pojok kanan hingga muncul pesan pop up ‘Show modules menu’

Gambar 9. Tampilan Show Modules Menu.

Langkah berikutnya (Lihat Gambar 10 di bawah ini) mencentang