Multivariate analysis of variance (MANOVA) merupakan perluasan dari ANOVA.

Dalam ANOVA hanya terbatas pada penggunaan satu variabel tak bebas yang bersifat metrik
(interval atau rasio), sedangkan pada MANOVA dapat melibatkan dua atau lebih variabel tak
bebas yang bersifat metrik. Hair dkk. (2010:341) menyatakan sebagai berikut.
"Multivariate analysis of variance (MANOVA) is an extension of analysis of variance
(ANOVA) to accommodate more than one dependent variable. It is a dependence technique
that measures the differences for two or more metric dependent variables based on a set of
categorical (nonmetric) variables acting as independent variables. ANOVA dan MANOVA
can be stated in the following general forms:
Tujuan MANOVA dua arah adalah untuk menilai apakah ada perbedaan signifikan
dalam variabel dependen berdasarkan pengaruh faktor-faktor ini, serta apakah ada interaksi
antara faktor-faktor tersebut.

Sebelum Anda menjalankan analisis MANOVA, ada beberapa prasyarat (assumptions) yang
harus dipenuhi untuk memastikan hasil analisis yang dapat diandalkan. Berikut adalah
beberapa prasyarat yang perlu diperiksa sebelum melakukan MANOVA:

1. Asumsi Normalitas dalam MANOVA

Pada manova pengamatan-pengamatan pada variabel-variabel tak bebas (dependent
variables) diasumsikan secara bersamaan (collectively) mengikuti (follow) distribusi
normal multivariat (multivariate normal distribution) untuk setiap kelompok.

2. Normalitas Residu (Normality of Residuals): Prasyarat ini mengasumsikan bahwa

residu dari MANOVA (perbedaan antara nilai observasi dan prediksi model) memiliki
distribusi normal. Anda dapat menguji normalitas residu dengan uji normalitas seperti
uji Kolmogorov-Smirnov atau uji Shapiro-Wilk. Jika residu tidak terdistribusi secara
normal, Anda mungkin perlu melakukan transformasi data atau mempertimbangkan
metode lain untuk menganalisis data Anda.
3. Linearity (Linearity): Prasyarat ini mengasumsikan bahwa hubungan antara variabel
independen dan dependen adalah linear. Ini adalah asumsi dasar dalam MANOVA.
Anda dapat memeriksa linearity melalui analisis scatterplot atau grafik residual.
4. Independensi (Independence): Prasyarat ini mengasumsikan bahwa observasi di
dalam kelompok atau kondisi yang berbeda adalah independen satu sama lain. Ini
penting untuk menghindari pengaruh autocorrelation atau autocovariance yang dapat
mempengaruhi hasil MANOVA.

Jika salah satu dari prasyarat di atas tidak terpenuhi, Anda perlu mempertimbangkan tindakan
yang diperlukan sebelum melakukan analisis MANOVA. Ini bisa termasuk melakukan
transformasi data, menghapus outlier, atau menggunakan metode alternatif yang lebih sesuai
dengan kondisi data Anda. Selain itu, MANOVA yang lebih robust terhadap pelanggaran
asumsi dapat dipertimbangkan jika prasyaratnya tidak terpenuhi sepenuhnya. Pastikan juga
untuk melaporkan hasil pengujian prasyarat dalam laporan analisis Anda sehingga pembaca
dapat menilai kredibilitas hasilnya.
 A. Uji Asumsi Normal Multivariat

Uji normalitas data dimaksudkan untuk memperlihatkan bahwa data sampel berasal
dari populasi yang berdistribusi normal. Kenormalan multivariate yang dimaksud adalah
kenormalan multivariat pada variable-variabel dependen dalam masing-masing populasi
(kelompok). Asumsi variable dependen berdistribusi normal multivariate perlu dilakukan
karena pengujian dalam MANOVA menggunakan Wilk’s Lambda yang berdistribusi chi-
square. Variable X dengan p level dikatakan berdistribusi normal multivariate dengan
parameter μ dan ∑ bila memiliki fungsi densitas pada persamaan berikut:

f ( x )=
1
p/2
( 2 π ) |Σ|p/2
1
2 (
exp ( x−μ )' Σ−1 ( x−μ ) )
dengan
−∞<x i <∞ , i=1 , 2 ,. .. , p .
Uji asumsi normallitas dapat dilakukan dengan menggunakan jarak kuadrat (jarak
Mahalanobis)

d 2j =( x j−x ) ' S−1 ( x j −x ) , j=1 , 2 ,. .. , n .

Normal p-variat dipenuhi jika sekitar 50% nilai jarak Mahalanobis kurang atau sama dengan

χ 2p (0 , 50) . Selain itu, bisa juga menggunakan cara lain yaitu dengan membuat Q-Q plot.
2
q
Pemeriksaan multivariat normal dengan cara membuat Q-Q plot dari d j dan i . Tahapan-
tahapan dalam pembuatan Q-Q plot adalah sebagai berikut :
x S.
1. Tentukan nilai vektor rata-rata dan invers dari matriks varians kovarians
d 2j
2. Tentukan nilai yang merupakan jarak Mahalanobis setiap pengamatan dengan
d 2j =( x j−x ) ' S−1 ( x j −x ) j=1,2,...,n.
vektor rata-ratanya dengan
d 2i d 2(1 )<d 2( 2)<. ..< d(2n) .
3. Urutkan dari yang terkecil hingga terbesar
 ( )
1
n− j+
2
χ 2p ,
qi n p
4. Tentukan niai yang didekati dengan dengan adalah derajat
kebebasan.

(( ))
1
n− j+
2
χ 2p , d 2j
d 2j qi n
5. Buat scatter-plot dengan ordinat dan absis , yaitu
6. Jika plot membentuk plot garis lurus yang melewati (0,0) dengan gradien mendekati
1, maka dapat dikatakan bahwa data berdistribusi normal p-variat. Sedangkan
kelengkungan menunjukkan penyimpangan dari normalitas. Titik-titik amatan yang
jauh dari garis menunjukkan jarak yang besar atau dapat dikatakan bahwa amatan
tersebut merupakan outlier.

Cara ketiga untuk menentukan data berdistribusi normal p-variat adalah dengan
menggunakan nilai korelasi. Langkah-langkahnya ditunjukkan sebagai berikut :

d 2j =( x j−x ) ' S−1 ( x j −x ) , j=1 , 2, . .. , n

1. Hitung jarak kuadrat .
d 2(1 )<d 2( 2)<. ..< d(2n) .
2. Urutkan mulai dari yang terkecil hingga terbesar

2
((
χ p n− j +
1
2 ) )2
/n ,dj
3. Hitung korelasi antara
4. Bandingkan dengan nilai tabel 4.2 dibuku Johnson Bab 4 Hal. 181. Jika nilai korelasi
lebih besar dari nilai tabel, maka sampel berasal dari populasi berdistribusi normal p-
variat.