BAB 3

ANALISIS VARIANSI (ANAVA)

Dalam bab ini akan dipelajari prosedur uji untuk perbedaan
beberapa mean populasi (dua atau lebih). Telah diketahui bahwa
apabila mean beberapa bagian sangat berbeda satu dengan yang lain,
maka variansi kumpulan keseluruhan akan jauh lebih besar dari
variansi masing–masing bagian itu.
Kerap kali keadaan mengharuskan untuk dibuat rancangan
percobaan, sedemikian hingga beberapa variabel (populasi) dapat
dipelajari secara bersama. Uji t hanya untuk menguji perbedaan dari
sepasang mean populasi. Jika diselidiki perbedaan antara lima mean
dengan menggunakan uji t untuk tiap pasangan mean populasi, maka
harus dihitung sepuluh harga t. Tentunya hal ini tidak praktis, dan
bukan prosedur statistika yang baik Ada beberapa alasan kelemahan,
yaitu :
(1) jika digunakan harga kritik 5% untuk uji t beberapa mean, maka
keseluruhan, tingkat signifikasinya akan jauh lebih besar daripada 5%;
karena, meskipun semua sampel diambil dari populasi yang sama,
Dapat ditunjukan, kemungkinan bahwa satu (atau lebih) dari sepuluh
harga t yang independen akan lebih besar daripada t (0,05). Jika
hipotesisnya dinyatakan bahwa “semua mean itu sama” maka
hipotesis ini ditolak, jika ada satu dari sepuluh harga t yang lebih
besar daripada t(0,05). (2) berkurangnya informasi dalam
mengestimasi variansi jika hanya menggunakan pengamatan–
pengamatan dari dua kelompok yang dibandingkan itu.
Analisis variansi bersendikan pada pemecahan variansi dari
semua pengamatan menjadi bagian–bagian yang masing-masing
mengukur variabel yang disebabkan oleh berbagai sumber penyebab.
Misalnya variansi internal dari beberapa populasi, variansi antar
populasi. Istilah analisis variansi berarti pemisahan variansi dari
beberapa sampel. Tetapi perlu dicatat bahwa persoalan dasarnya
adalah mengenai membandingkan mean beberapa populasi, dengan
menganalisis variansi bagian–bagian sampel itu. Ada beberapa cara
menyelesaikan analisis, tergantung dari kesimpulan–kesimpulan apa
1
yang dinginkan. Misalnya seseorang hanya ingin melakukan uji
hipotesis bahwa semua populasi mempunyai mean yang sama, atau
mungkin seseorang ingin membandingkan beberapa populasi untuk
melihat apakah ada populasi yang mempunyai mean yang secara nyata
lebih besar dari yang lainnya?

A. ANALISIS VARIANSI SATU JALUR

Masalah satu jalur (satu klasifikasi) adalah bentuk aplikasi yang

paling sederhana yaitu suatu prosedur untuk mengestimasi atau
menguji hipotesis tentang mean dari k populasi. Yang berarti ada
1, 2, …,k yang akan dibandingkan. Sebagai contoh untuk kasus
k = 3, berarti ada 1 , 2 dan 3 yang akan dibandingkan.

Tabel klasifikasi satu jalur secara sederhana dapat digambarkan

sebagai berikut :

Populasi
1 2 3
1 2 3 

Keterangan :
1 ; 2 ; 3 : Mean dari populasi 1 ; 2; dan 3
 : Mean dari seluruh populasi

Dari tabel di atas tersebut dapat diperjelas sebagai berikut :

populasi
1 2 3
X11 X21 X31
X12 X22 X32
X13 X23 X33
. . .
X1n X2m X3p
1 2 3


2
Keterangan :
Populasi 1 diambil n data; populasi 2 diambil m data dan populasi
3 diambil p data.

Beberapa contoh kasus yang berkaitan dengan anava satu

klasifikasi :
 Kita mempunyai 3 (k=3) kota. Ingin dibandingkan penghasilan
bulanan rata-rata keluarga di ketiga kota tersebut. Dalam
contoh ini populasinya benar- benar ada.
 Kita mempunyai 5 (k=5) metode mengajar dan sekumpulan
murid sekolah. Kita membayangkan adanya 5 populasi
hipotetik (populasi abstrak), masing-masing terdiri dari murid-
murid tersebut yang diajar dengan satu metode mengajar. Kita
ingin membandingkan prestasi belajar siswa oleh tiap
kelompok (yang diukur dengan ujian) menggunakan masing-
masing metode belajar. Dalam contoh ini populasinya tidak
benar-benar ada, kecuali ada dalam pikiran pembuat
eksperimen.
 Kita mempunyai 4 varitas padi (k=4). Kita bayangkan populasi
hasil masing-masing varitas. Ingin dibandingkan hasil rata-rata
dari keempat varitas padi tersebut.

Teknik Menghitung Analisis Variansi Satu Jalur

Analisis variansi (ANAVA) satu jalur adalah bentuk ANAVA

yang paling sederhana karena hanya membicarakan satu variabel
klasifikasi. Setiap individu akan masuk ke dalam satu (dan hanya
satu) populasi dari k populasi yang berbeda. Populasi-populasi
tersebut dapat dinyatakan dengan P1, P2,. ., Pk. masing-masing
populasi mempunyai parameter  yang ditulis sebagai 1, 2 , , .
Banyaknya populasi menyatakan banyaknya kategori, yang berarti
dalam hal ini ada k kategori.

ANAVA satu jalur ini berperan untuk menguji apakah setiap

populasi mempunyai  yang berbeda? Untuk melakukan analisis
ini, terlebih dahulu dibangun hipotesis nol dan hipotesis
alternatifnya. Hipotesi nol menyatakan bahwa semua  itu sama.
3
Secara otomatis hipotesis alternatif yang merupakan
komplemennya, menyatakan minimal ada satu  yang tidak sama.
Sehingga dapat ditulis sebagai berikut,

Ho : 1 = 2 = ……. = k

H1 : 1  2  …….  k

Uji-t (t-test) merupakan statistik uji yang sering kali ditemui

dalam masalah-masalah praktis statistika. Distribusi ini ditemukan
oleh seseorang bernama William Gosset dengan nama samaran
‘student’. Oleh karena itu statistik ini disebut ‘student t
distribution’. Dia adalah salah satu staf di perkebunan anggur milik
Guiness. Uji-t termasuk dalam golongan statistika parametrik.
Statistika uji ini digunakan dalam pengujian hipotesis, selain itu uji
t juga digunakan untuk membuat pendugaan interval (interval
estimate). Biasanya, uji t digunakan untuk menguji hipotesis
mengenai nilai parameter, paling banyak 2 populasi (lebih dari 2,
harus menggunakan uji F). biasanya untuk sampel yang kecil
(small sample size), Pada umumnya sampel dikatakan kecil jika
n≤30. Untuk n yang cukup besar (n>30) dapat digunakan distribusi
normal, dengan kata lain menggunakan tabel Z.

Ada 3 macam uji t yaitu: (1) Uji t untuk satu sampel. (2) Uji t
untuk dua sampel independen (3) Uji t untuk dua sampel
berpasangan

1. Uji t untuk Satu Sampel

Dalam menguji hipotesis tentang rerata, menggunakan uji t satu

sampel langkah-langkahnya sebagai berikut:

a) Sampel dengan ukuran n diambil dari populasi.

Kemudian rerata 𝑋̅ dan simpangan baku s dihitung.
b) Bila µ merupakan rerata yang sesungguhnya (yang sudah
diketahui) dan n adalah besar ukuran sampel, t dihitung
dengan rumus:
̅ −μ
X
t= s yang selanjunya disebut thitung.
√n

4
 c) Ambil taraf signifikansi (α) dan tentukan juga apakah
pengujian itu sepihak atau dua pihak.
d) Mencari tkritis pada tabel distribusi t dengan derajat
kebebasan (n-1) dan taraf signifikansi α.
e) Bandingkan thitung dengan tkritis. Bila thitung ≥ tkritis, maka
hipotesis nol ditolak.

2. Uji t untuk Dua Sampel Independen

Penggunaan lain dari uji t adalah untuk uji dua sampel

bebas dan uji dua sampel tak bebas (berhubungan). Uji dua
sampel bebas adalah uji hipotesis yang kedua sampelnya dipilih
secara acak dari populasinya. Populasinya itu dapat sama, tetapi
dapat pula tak sama/ berbeda.

Pada uji t di atas, kelompok pertama dapat disebut

kelompok eksperimen dan kelompok kedua dapat disebut
kelompok kontrol. Hal demikian itu terjadi bila kelompok
eksperimen itu memperoleh perlakuan metode baru, sedangkan
kelompok kontrol adalah kelompok yang tidak memperoleh
perlakuan metode baru (metode mengajar yang dipakai adalah
yang biasa guru gunakan sehari-hari). Bisa juga kelompok
pertama disebut kelompok eksperimen pertama dan kelompok
kedua disebut kelompok ekperimen kedua, bukan kelompok
kontrol. Hal demikian itu bisa terjadi, bila kelompok pertama
dan kelompok kedua sama-sama memperoleh metode mengajar
baru yang berbeda; misalnya kelompok pertama dengan diskusi,
kelompok kedua dengan tanya-jawab.

Jika kedua kelompok homogen, maka rumusnya:

Dimana

5
Jika kedua kelompok tidak homogen maka menggunakan
Rumus

Keterangan:
x̅ : rata-rata nilai X
ӯ : rata-rata nilai Y
Sx2 : variansi dari X
Sy2 : variansi dari Y
nx : banyaknya data X
ny : banyaknya data Y

Contoh 3.1:
Seorang mahasiswa Biologi melakukan percobaan terhadap
kelinci untuk melihat pengaruh vitamin X dan vitamin Y
masing-masing terhadap pertumbuhan beratnya. Dalam
percobaan itu diambil secara acak, masing-masing 10 ekor
kelinci untuk dijadikan sampel I dan sampel II. Kenaikan berat
kedua kelompok itu diukur dalam gram. Diperoleh data sebagai
berikut.

6
 Tabel 3.1
Kelompok I(X) Kelompok II(Y)
kelinci naik Kelinci naik
1 4 1 2
2 6 2 4
3 8 3 1
4 5 4 3
5 3 5 3
6 8 6 5
7 9 7 3
8 10 8 2
9 9 9 4
10 8

dengan α = 0,05 apakah ada perbedaan?

Jawab:
Dari tabel dapat dibaca bahwa untuk α = 0,05 dan dk= 17
diperoleh t = 2,110.

Tabel 3.2
X Y ̅
X ̅
Y ̅ )2
(X − X ̅ )2
(Y − Y

4 2 7 3 9 1
6 4 1 1
8 1 1 4
5 3 4 0
3 3 16 0
8 5 1 4
9 3 4 0
10 2 9 1
9 4 4 1
8 1
jml 50 12

7
 ̅ = ∑ X = 70 = 7
X n 10

̅ = ∑ Y = 27 = 3
Y n 9

Sx 2 = 5,55

Sy 2 = 1,50

S2x 5,55
S 2 Mx = n = 10−1 = 0,6167
x −1

S2y 1,50
S 2 My = n = 9−1 = 0,1875
y −1

Sp = √0,6167 + 0,1875 = 0,8968

1 1 1 1
√𝑛 + 𝑛 =√10 + 9 = 0,4595
𝑥 𝑦

x̅−y
̅ 7−3 4
t= 1 1
= 0,8968.0,4595 = 0,3695 = 10,8254
Sp √ +
𝑛 𝑥 𝑛𝑦

Karena t hitung = 10,825 lebih besar daripada t kritis =2,110, maka

Ho ditolak. Dengan kata lain, pertambahan berat itu berbeda
secara signifikan.

3. Uji t untuk Dua Sampel Berpasangan.

Uji dua sampel berpasangan ialah uji hipotesis untuk dua sampel
yang anggota-anggotanya sama (tetap) atau yang anggota-
anggota nya telah dipasang-pasangkan sehingga setiap pasang
itu dapat diamati keterkaitannya. Dalam hal ini, peubah-peubah
lainnya lebih terkontrol. Karena itu hasil pengujiannya lebih
terjamin.
Pada uji t ini, yang diperhatikan itu selisih skor (D) dari
responden yang sama. Kemudian t hitung diperoleh dengan
rumus:

8
Gambaran penggunaan uji t berpasangan adalah sebagai berikut:
Sebelum dilakukan penerapan metode baru dalam pembelajaran,
seluruh siswa dites sebagai tes awal. Setelah pembelajaran baru
diterapkan perlakuan metode, dua bulan kemudian siswa dites
lagi sebagai tes akhir. Peneliti ingin membandingkan apakah
pembelajaran yang baru berdampak positif terhadap prestasi
belajar? Untuk dapat menjawab permasalahan tersebut maka
peneliti menggunakan rumus uji t sampel berpasangan. Jadi,
yang dijadikan dua kelompok adalah tes awal dan tes akhir.
Karena kedua tes itu dilakukan pada orang yang sama, maka
digunakan uji t sampel berpasangan. Yang berpasangan disini
adalah tes awal dan tes akhir.

Contoh 3.2:
Hasil uji coba terhadap 10 siswa diperoleh data sebagai berikut:

Tabel 3.3

Siswa Pretes postes

1 5 4
2 6 5
3 4 6
4 7 6
5 5 3
6 6 5
7 8 5
8 7 7
9 5 4
10 8 6
Jumlah

9
Apakah perlakuan yang diberikan kepada siswa dapat
meningkatkan prestasi?

Jawab:
H0 : μx = μy
HA : μx ≠ μy
Tabel 3.4
siswa pretes postes D D2
1 5 4 1 1
2 6 5 1 1
3 4 6 -2 4
4 7 6 1 1
5 5 3 2 4
6 6 5 1 1
7 8 5 3 9
8 7 7 0 0
9 5 4 1 1
10 8 6 2 4
Jumlah 10 26
̅ = 10 = 1
D 10
(∑ D)2
∑ d2 = ∑ D2 − N
102
= 26 − 10
= 26 − 10 = 16
∑ d2
sD̅ =√
N(N−1)

16
= √10(10−1)

16
= √90 = 0,422
̅
𝐷
t=𝑠
̅
𝐷
1
= 0,422
= 2,370

10
 Karena t hitung = 2,370 lebih besar daripada t tabel/kritis = 1,833,
maka dengan α = 0,05 hipotesis nol ditolak.

4. Uji F untuk Beberapa Sampel Independen

Analisis variansi bisa digunakan untuk uji hipotesis beda

dua mean. Tetapi untuk kasus beda dua mean, metode analisis
variansi kurang efisien jika dibandingkan dengan analisis
menggunakan distribusi normal. Karena itu analisis variansi
akan kita gunakan jika kasusnya lebih dari dua populasi. Oleh
karena itu analisis variansi menggunakan distribusi F, maka
pertama kali kita akan pelajari dulu tentang distribusi F. Berikut
ciri-ciri distribusi F:

1) Merupakan distribusi kontinyu dan bentuknya condong

kekanan
2) Mempunyai dua derajat bebas, yaitu derajat bebas
pembilang (numerator) dan derajat bebas penyebut
(denumerator)
3) Skala yang digunakan dinotasikan dengan F, dan hanya
berupa skala positif

Pengujian Hipotesis tentang k Mean ( k > 2 )

Uji F digunakan untuk pengujian hipotesis berdasarkan

hasil penyelidikan lebih dari dua buah sampel. Sebagai
gambaran, misalnya akan kita selidiki apakah perbedaan mean
dari sampel pertama, dengan sampel kedua, ketiga dan
seterusnya itu disebabkan oleh faktor kebetulan saja (chance)
ataukah oleh faktor lain yang benar-benar berarti (significant).

Prinsip yang digunakan sebagai dasar dalam melakukan

pengujian hipotesis ini adalah apabila mean dari kelompok
bagian sangat berbeda satu dengan yang lain, maka variance
kombinasi dari seluruh kelompok akan jauh lebih besar dari
variance masing-masing kelompok bagian.

Misalkan kita ingin menguji hipotesis bahwa mean dari k

populasi sama. Untuk tujuan itu kemudian diambil sampel–
11
sampel random dari tiap–tiap populasi tersebut. Secara skematis
ditunjukkan dalam tabel seperti tabel di bawah ini :

Sampel – sampel random, k sampel dengan anggota n.

Sampel 1 Sampel 2 Sampel k

X11 X12 ......................... X1k
X21 X22 .................. X2k
X31 X32 .................. X3k
: : :
: : :
Xn1 Xn2 .................. Xnk

Means ̅
X1 ̅
X2 .................. ̅
Xk

Xij : individu ke i dari sampel j

k : banyaknya kelompok sampel
n : banyaknya individu sampel
̅
Xi : mean dari kelompok ke-i.
̅
X : mean dari seluruh kelompok.

𝑋 +𝑋 +𝑋 + …+𝑋𝑛1
𝑋̅1 = 11 21 𝑛31
1
𝑋 +𝑋 +𝑋 + …+𝑋𝑛2
𝑋̅2 = 12 22 𝑛 32
2
𝑋 +𝑋 +𝑋 + …+𝑋𝑛𝑘
𝑋̅𝑘 = 1𝑘 2𝑘 𝑛 3𝑘
𝑘

Kemudian menghitung nilai F.

Cara 1.

1) Variance between means

dengan rumus :
∑𝑘 ̅ ̅ 2
𝑗=𝑖(𝑋𝑗 − 𝑋 )
𝑆𝑋2̅ = 𝑘−1
𝜎2
𝑆𝑋2̅ = dipandang sebagai harga estimasi dari 𝜎𝑋2̅ = 𝑛

12
 Dimana 𝜎 2 adalah variance populasi
Variance between mean tersebut merupakan estimasi
pertama dari 𝜎 2 .
𝜎2
𝑆𝑋2̅ = 𝑛
𝑛.∑𝑘 ̅ ̅ 2
𝑗=𝑖(𝑋𝑗 − 𝑋 )
𝜎 2 = n. 𝑆𝑋2̅ = 𝑘−1
𝑘 − 1 = merupakan degree of freedoom.

2). Variance within group : yakni variance rata-rata dari variance

masing-masing sampel.
𝑆12 + 𝑆22 + ⋯ + 𝑆𝑘2
𝑘
Dimana S1, S2,.........dan Sk merupakan deviasi standar dari k
sampel. Ini merupakan estimasi kedua dari 𝜎 2 .
∑𝑛𝑖=1 ∑𝑘𝑗=𝑖 (𝑋𝑖𝑗 − 𝑋̅𝑗 )2
𝑘 (𝑛 − 1)

𝑋̅𝑗 mean dari sampel j

𝑋𝑖𝑗 nilai observassi dari sampel j
𝑘 (𝑛 − 1) merupakan degree of freedoom

𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑒 𝑏𝑒𝑡𝑤𝑒𝑒𝑛 𝑚𝑒𝑎𝑛𝑠

F= 𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑒 𝑤𝑖𝑡ℎ𝑖𝑛 𝑔𝑟𝑜𝑢𝑝

Langkah – langkah dalam pengujian k mean:

a) Hipotesis : H0 : 𝜇 1 = 𝜇 2=.................= 𝜇 k
H1 : 𝜇 1 ≠ 𝜇 2 ≠ .................≠ 𝜇 k
b) Dipilih level of significant tertentu ( 0,05 atau 0,01 ).
c) Kriteria pengujian
i. Degree of freedoom k-1 pembilang ( numerator ); k (n-1)
penyebut (denumerator).
ii. H0 ditolak apabila F > 𝐹𝛼,𝑘−1;𝑘(𝑛−1)
d) Perhitungan nilai F
𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑒 𝑏𝑒𝑡𝑤𝑒𝑒𝑛 𝑚𝑒𝑎𝑛𝑠
F= 𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑒 𝑤𝑖𝑡ℎ𝑖𝑛 𝑔𝑟𝑜𝑢𝑝
e) Kesimpulan

13
 Contoh 3.3:
Kita ingin membandingkan 3 jenis sepeda motor dalam hal jarak
yang bisa dicapai dengan pemakaian 1 liter bensin. Dari uji
diperoleh informasi sebagai berikut:
Hasil sampel dari 3 jenis sepeda motor
Tabel 3.5
Jenis
I II III
Sampel ke
1 22 22 25
2 21 25 29
3 26 24 28
4 23 25 30
Mean 23 24 28

Ujilah apakah ada perbedaan jarak rata-rata yang significant

antara 3 jenis sepeda motor tersebut. Pergunakan 𝛼 = 0,05.

Jawab :

k = 3, n = 4
22+21+26+23
̅
XI = = 23
4

̅ II = 22+25+24+25 = 24
X
4

̅ III = 25+29+28+30 = 28
X 4

23+24+28
̅
X= = 25 (over all team)
3

a) Ho : μI = μII = μIII
Ha : μI ≠ μII ≠ μIII (Paling sedikit satu pasang berbeda)
b) 𝛼 = 0,05
c) Kriteria pengujian
i. Ho diterima apabila : F ≤ 4,26
ii. Ho ditolak apabila : F > 4,26
iii. (k-1) = 3-1 = 2
iv. k(n-1) = 3(4-1) = 9
14
d) Perhitungan nilai F :
2
∑kj=i(x̅j − x̅)2
SX̅ =
k−1
(23−25)2 +(24−25)2 +(28−25)2
=
3−1

4+1+9
= =7
2

Estimasi harga 𝜎 2

1. n . SX2̅ = 4 .7 = 28
∑n k
i=1 ∑j=1(x
̅ j )2
̅ ij −X
2. SX2̅ = k(n−1)
(22−23)2 +(21−23)2 +(26−23)2 +(23−23)2 +(22−24)2+
(25−24)2+(24−24)2 +(25−24)2 +(25−28)2 +(29−28)2 +
(28−28)2+(30−28)2
= 3(4−1)

1+4+9+4+1+1+9+1+4
= = 3,78
9

28
F = 3,78 = 7,41 (F hitung)

Kesimpulan:
Oleh karena 7,41 > 4,26 maka Ho ditolak. Yang berarti paling
sedikit terdapat satu pasang mean yang berbeda nyata. Jarak
rata-rata dengan pemakaian satu liter bensin tidak sama (paling
sedikit dua jenis sepeda motor tersebut tidak sama).

Cara 2:
Langkah-langkah menghitung nilai F adalah sebagai berikut:
1 ni
X i.   X ij : mean sampel dari populasi ke i
n i j1
1 ni
Si2   (X ij  X i. ) 2
n i  1 j1
: variansi sampel dari populasi

ke i .

15
 ni
1 k 1 k
X 
n i 1
 Xij 
ji
 n i Xi. : mean seluruh sampel dengan n
n i 1
pengamatan .
k
JKS =  (n i  1)s i2 : jumlah kuadrat “sesatan“
i 1
(dalam populasi).
k
JKT =  n i ( X i.  X ) 2 : jumlah kuadrat “tritmen”
i 1
(antara populasi atau kategori)
JKS
SKR = : Sesatan kuadrat rata – rata
nk
JKT
TKR = : “Tritmen”(kategori) kuadrat
k 1
rata – rata
TKR
F= : F hitung
SKR

Selanjutnya mencari F tabel dengan derajat bebas (k-1) dan (n-k)

serta tingkat signifikan . Yang biasanya ditulis F(k–1;n–k;α)
Jika F hitung > F tabel maka Ho ditolak.

Catatan :
Apabila ANAVA dihitung menggunakan aplikasi SPSS atau
yang lainnya, Ho ditolak jika peluang [F > F(k–1;n–k;α)] kurang
dari . Demikian juga Ho tidak ditolak jika sebaliknya.
Dalam aplikasi SPSS ditunjukkan dengan nilai sig. Jika sig<α
berarti Ho ditolak.

Hasil perhitungan uji analisis variansi dimasukan dalam tabel

sebagai berikut :

16
 Tabel 3.6
Sumber Jumlah Kuadrat rata
db F hitung
Variansi kuadrat – rata

Tritmen JKT TKR

k- 1 JKT TKR = F=
(kategori) k 1 SKR

JKS
Sesatan n–k JKS SKR =
nk

Contoh 3.4.
Guna membandingkan penghasilan bulanan keluarga (dalam
juta rupiah) di tiga kota A, B, dan C diambil sampel random
sebagai berikut : Tujuh keluarga diambil dari kota A, tujuh
keluarga dari kota B, dan enam keluarga dari kota C. Diperoleh
hasil pengamatan sebagai berikut :

Tabel 3.7

PENGHASILAN BULANAN KELUARGA (dlm juta Rp)

Pengamatan ke-i Populasi

(Xi) A B C

1 74,4 80, 76,3

2 87,0 69,8 60,7
3 88,8 79,3 76,2
4 79,4 71,2 72,3
5 73,3 87,1 57,5
6 85,2 85,4 70,4
7 72,6 70,9 -
Mean X A  80,1 X B  77,7 X C  68,9

Variansi s 2A  47,463 s 2B  51,227 s C2  63,812

17
n = 7+7+6 = 20

k=3

X  75,9

JKS = 911,2

JKT = 440,16

SKR = 53,6

TKR = 220,08

Hasil hitungan ini dituangkan dalam tabel analisis variansi di

bawah, untuk menguji hipotesis :

Ho : 1 = 2 = 3

H1 : tidak semua mean itu sama .

Tabel 3.8
ANAVA PENGHASILAN KELUARGA

Sumber
Variansi Db Jumlah Kuadrat F hitung
kuadrat rata - rata

Tritmen 2 440,16 220,08 220,08

F=  4,10
(kota) 53,60

Sesatan 17 911,20 53,60 F (2;17;0,05)

=3,59
(dari tabel)

18
Karena Fhitung > F tabel , maka Ho ditolak dengan tingkat signifikansi
5% . Dengan kata lain ada perbedaan antara penghasilan keluarga kota
A, B, dan C.

Contoh 3.5.
Dipunyai empat varitas padi yang akan diuji produktivitasnya.
Dipilih 24 petak tanah yang kira–kira mempunyai kesuburan
yang sama. Kemudian dari 24 petak itu dibagi secara random
menjadi 4 kelompok yang masing–masing 6 petak. Selanjutnya
tiap kelompok ditanami satu varitas padi. Hasilnya tertuang
dalam tabel berikut :

Tabel 3.9
HASIL PADI (dalam Kuintal)
Pengamatan Kelompok
petak ke-i
I I II IV

1 24 13 21 27
2 13 21 13 30
3 18 11 26 24
4 24 23 23 29
5 16 28 16 26
6 23 18 12 34
Mean 19,26 19 18,50 28,33

Variansi 21,87 40,4 32,3 12,27

Berdasarkan data di atas ingin diuji perbedaan rata–rata

produktivitas keempat varitas padi, sehingga hipotesis yang
akan diuji adalah :

Ho : 1 = 2 = 3 = 4
H1 : tidak semua mean itu sama .

Hasil hitungan menggunakan rumus di atas, diperoleh hasil

sebagai berikut :
19
 Tabel 3.10
ANAVA HASIL PADI
Sumber Db Jumlah Kuadrat F hitung
variasi kuadrat rata-rata

Tritmen 3 391,11 130,37 130,37

F=  4,27
26,71

Sesatan 20 534,2 26,71 F(3;20;0,05)=3,1

Karena F hit > F tabel maka Ho ditolak pada tingkat signifikansi

5%. Yang berarti bahwa ada perbedaan kesuburan dari 4
kelompok tersebut.

Dalam kedua contoh di atas Ho ditolak, yang berarti H1 diterima.

Ini berarti kesimpulan yang diambil adalah bahwa tidak semua
mean – mean populasi itu sama. Dalam hal ini masih ada
berbagai kemungkinan, yaitu mungkin semua mean itu tidak
sama satu dengan yang lain; namun mungkin juga beberapa
mean sama, dan yang lain tidak sama. Untuk menelusuri
kemungkinan–kemungkinan ini perlu dilakukan analisis lebih
lanjut. Analisis ini dikenal sebagai “multiple comparisons ”
(“pembandingan ganda”) yang digunakan untuk mendeteksi
seberapa jauh mean–mean itu berbeda satu dengan yang lain.
Analisis yang biasa digunakan dalam SPSS adalah analisis Post
Hoc.

Perlu dicatat dan dingat bahwa apabila uji F menolak Ho ini

hanya berarti bahwa harga – harga  itu tidak semuanya sama
(karena jika harga–harga  itu sama, maka peristiwa
{ F > F( k – 1 ; n – k ; α ) }hanya akan terjadi kira – kira 100α
persen kali ).

Sebenarnya tidak banyak berarti untuk melakukan uji hipotesis

nol : 1=2 = … =k, yakni kesamaan k2 mean populasi.
Karena biasanya selalu ada perbedaan antara harga – harga
mean itu; dan dengan ukuran sampel yang cukup besar, uji F
20
hampir pasti menolak Ho, meskipun perbedaan antara harga –
harga  itu dapat diabaikan untuk semua pertimbangan praktis.
Dengan perkataan lain, suatu uji F cenderung sangat signifikan
untuk perbedaan .
Pertanyaan yang muncul, mengapa di lakukan uji F ?
Suatu jawaban untuk pertanyaan itu adalah bahwa uji F, yang
menolak Ho dengan probabilitas kecil α jika Ho benar, akan
menolak Ho dengan probabilitas yang hanya sedikit lebih besar
dari α apabila Ho hanya “sedikit” salah, yakni apabila
i hampir sama, untuk i = 1, …, k;
Namun demikian, seharusnya tidak digunakan uji F untuk
sampel – sampel yang besar, di mana Ho akan ditolak dengan
probabilitas besar, meskipun Ho praktis dapat dianggap cukup
benar.

Pengukuran total variabilitas atas data yang ada dapat

dikelompokkan menjadi 3 (tiga) lapis :

1. Variabilitas antar kelompok (between treatments

variability) merupakan variasi rata-rata kelompok sampel
terhadap rata-rata keseluruhannya. Variasi disini lebih
terpengaruh oleh adanya perbedaan perlakuan (treatments)
antar kelompok, disingkat SSb.
2. Variabilitas dalam kelompok (within treatments variability),
merupakan variasi yang ada dalam masing-masing
kelompok. Banyaknya variasi akan tergantung pada
banyaknya kelompok, dan variasi disini tidak terpengaruh
/tergantuing oleh perbedaan perlakuan antar kelompok,
disingkat SSw.
3. Jumlah kuadrat penyimpangan total yang merupakan
jumlah kuadrat selisih antara skor individual dengan rata-
rata totalnya, disingkat SSt .

21
ANAVA Sampel Berbeda

Pembahasan di atas berkaitan dengan sampel yang sama antara

kelompok satu dengan kelompok lain. Dalam suatu eksperimen
kadang-kadang sukar untuk menentukan jumlah sampel yang
sama untuk setiap kelompok. Sebenarnya ANAVA lebih akurat
untuk menghadapi jumlah sampel yang sama setiap kelompok.
Walaupun demikian bukan berarti sampel yang tidak sama lalu
tidak dapat dianalisisnya. ANAVA masih dikatakan valid untuk
menganalisis perbedaan rata-rata dari beberapa kelompok
sampel walaupun jumlah sampel antar kelompok tidak sama,
asalkan sampelnya cukup besar dan perbedaan jumlah sampel
tidak terlalu mencolok.

Asumsi Dasar Dalam ANAVA

Asumsi dasar dalam ANAVA meliputi asumsi kenormalan,

asumsi adanya homogenitas variansi, dan asumsi pengambilan
data yang bebas (random).

a) Kenormalan

Syarat untuk dapat dilakukannya ANAVA maka setiap data

dalam sampel harus berasal dari distribusi normal. Untuk
mengetahui hal tersebut maka data sampel harus diuji
normalitasnya. Kenormalan dapat diatasi dengan memperbanyak
sampel dalam kelompok, karena semakin banyak n maka
distribusi akan mendekati normal.

b) Kesamaan Variansi

Syarat untuk dilakukannya ANAVA, masing-masing kelompok

hendaknya mempunyai variansi yang sama atau relative sama.
Untuk mengetahui kesamaan variansi tersebut, maka perlu diuji
homogenitas variansi untuk semua kelompok. Jika dipenuhi
criteria homogen, maka bisa dilanjutkan perhitungan ANAVA.
Kalau hal ini diabaikan bisa menyesatkan (terutama dalam
pengambilan keputusan).

22
c) Pengamatan yang Bebas

Sampel hendaknya diambil secara acak (random), sehingga

setiap pengamatan merupakan informasi yang bebas. Asumsi ini
merupakan asumsi yang tidak bisa ditawar lagi, dengan kata lain
tidak ada cara untuk mengatasi tidak terpenuhinya asumsi ini.
Dengan demikian maka setiap peneliti harus merencanakan
secara cermat dalam pengambilan sampel secara random.

Asumsi-asumsi di atas hendaknnya dipenuhi oleh data

yang akan dianalisis dengan ANAVA. Ketidakterpenuhinya
asumsi ini dapat menimbulkan kesimpulan yang salah. Hal ini
mengandung arti bahwa kesimpulan penelitian yang dianalisis
dengan ANAVA tidak memberi arti apa-apa. Walaupun ada
asumsi yang sifatnya tidak kaku. Artinya dapat diatasi dengan
jumlah sampel namun pengujian atas terpenuhinya asumsi
merupakan tindakan yang disarankan.

ANAVA Pengukuran Ulang

Dalam dunia pendidikan sering kita menghadapi perubahan

perilaku siswa setelah diajar / dididik. Perubahan tersebut dapat
dikuti dengan suatu tes yang berulang-ulang. Dengan demikian
akan terkumpul beberapa skor untuk setiap individu untuk satu
variabel terikat. Dengan melakukan pengujian / pengukuran
yang berulang-ulang kita dapat mengetahui perkembangan
perilaku / kemampuan subjek penelitian atas efek eksperimen.

Sumber variabilitas yang mempengaruhi variabilitas antar

kelompok adalah :

1) Efek eksperimen
2) Kesalahan eksperimen
3) Perbedaan individual

Sumber variabilitas dalam kelompok tetap sama, yaitu :

Perbedaaan Individu (between subject variability)

Hipotesis ANAVA satu jalur

23
 H0 :µ1 = µ2 = µ3 = …=µk

 Seluruh mean populasi adalah sama

 Tidak ada efek treatment ( tidak ada keragaman mean
dalam grup )
H 1 : tidak seluruhnya mean populasi adalah sama

 Terdapat sebuah efek treatment

 Tidak seluruh mean populasi berbeda ( beberapa
pasang mungkin sama )

Partisi Variansi

Variansi total dapat dibagi menjadi 2 bagian :

1) SST = SSG + SSW

SST : Total sum of squares (jumlah kuadrat total )

yaitu penyebaran agregat nilai data individu
melalui beberapa level vaktor .
SSG/SSB : Sum of squares between-grup ( jumlah kuadrat
antara ) yaitu penyebaran diantara mean sampel
factor .
SSW/SSE : Sum of squares within-grup (jumlah kuadrat
dalam) yaitu penyebaran yang terdapat diantara
nilai data dalam sebuah level factor tertentu .

Rumus Jumlah Kuadrat Total ( Total Sum of Squares )

𝟐
2) SST =∑𝒌𝒊=𝟏 ∑𝒏𝒊
𝒋=𝟏(𝒙𝒊𝒋 − 𝒙
̅)

Dimana :

SST : total sum of squares ( jumlah kadarat total )

k : levels of treatment ( jumlah populasi )
ni : ukuran sampel dari poplasi i
xij : pengukuran ke-j dari populsi ke-i
𝑥̅ : mean keseluruhan ( dari seluruh nilai data )

24
Variansi Total

SST = (𝑥11 − 𝑥̅ )2 + (𝑥12 − 𝑥̅ )2 + ⋯ + (𝑥𝑘 𝑛𝑘 − 𝑥̅ )2

Rumus untuk Mencari Variasi Jumlah Kuadrat Dalam

2
SSW = ∑𝑘𝑖=1 ∑𝑛𝑖
𝑗=1(𝑥𝑖𝑗 − 𝑥̅ )

Keterangan :
SSW/SSE : jumlah kuadrat dalam.
k : levels of treatment ( jumlah populasi )
ni : ukuran sampel dari poplasi i
xij : pengukuran ke-j dari populsi ke-i
x̅ : mean keseluruhan ( dari seluruh nilai data )

Rumus untuk mencari varisi diantara grup

SSG = ∑𝑘𝑖=1 𝑛𝑖 (𝑥̅𝑖 − 𝑥̅ )2

Keterangan:
SSG : jumlah kuadrat dalam.
k : levels of treatment ( jumlah populasi )
ni : ukuran sampel dari poplasi i
xij : pengukuran ke-j dari populsi ke-i
𝑥̅ : mean keseluruhan ( dari seluruh nilai data )

Rumus variasi dalam kelompok

𝑆𝑆𝑊
MSW = 𝑁−𝐾

Keterangan:

MSW : Rata-rata variasi dalam kelompok

SSW : Jumlah kuadrat dalam

n –k : derajat bebas dari SSW

Rumus variasi diantara kelompok

SSG
MSG = k−1
25
Keterangan:
MSG : Rata-rata variasi antara kelompok
SSG : Jumlah kuadrat dalam
k-1 : derajat bebas dari SSG

Contoh 3.9.
Akan dilakukan pembandingan terhadap hasil produksi dari 3
mesin yaitu mesin A, mesin B, dan mesin C.
Tabel 3.11
A B C
50 120 140
30 70 125
12 70 80
30 65 90
12 90 70
30 70 80
20 70 80

Jawab:
dari data di atas didapat:
n1 = n 2 = n3 = 7
k =3
n = 21
df1 = 2 , dan df2 = 18
Kemudian akan dilakukan uji hipotesis untuk mengetahui
apakah ada perbedaan variansi antara ketiga mesin tersebut?.
1) Hipotesis
Ho : 𝜇1 = 𝜇2 = 𝜇3
Hi : tidak semua mean sama.
2) Tingkat signifikansi (𝛼) = 0.05 = 5%
3) Daerah kritis, Ho ditolak jika F hitung > F(2,8,0.05)
4) Kesimpulan
Dari output tersebut di atas diperoleh bahwa
Nilai F hitung = 21.43
Nilai F tabel = 3,554

26
 Karena F hitung > F tabel
Sehingga dapat disimpulkan bahwa Ho ditolak
Yang berarti bahwa ketiga mesin tersebut memberikan hasil
yang berbeda.

B. ANALISIS VARIANSI DUA JALUR

Individu dikategorikan dalam dua karakteristik. Tiap individu

akan masuk dalam satu kategori untuk tiap variabel
(karakteristik). Salah satu karakteristik biasanya dinamakan
variabel pertama dan mempunyai c kategori, sedangkan
karakteristik yang lain sebagai variabel kedua dan mempunyai r
kategori. Variabel pertama ditempatkan pada sisi atas dan juga
disebut variabel kolom, variabel kedua ditempatkan pada sisi
samping dan disebut variabel baris dalam tabel itu.

Sebagai contoh,

tabel klasifikasi dua jalur, dapat disajikan dalam tabel berikut

untuk dua variabel yaitu variabel pertama terdiri dari 2 kategori
dan variabel kedua terdiri dari 3 kategori.

Tabel 3.12
Variabel pertama
1 2
Variabel kedua

1 11 12 1.

2 21 22 2.
3 31 32 3.
.1 .2 ..

Dalam tabel 3.12, mean masing-masing populasi ditulis ij yang

indeks pertama menunjukkan baris dan indeks kedua
menunjukkan kolom. Pada sisi kanan tabel ditulis i. yang

27
didefinisikan sebagai mean ij untuk baris itu. Pada sisi bawah
tabel ditulis .j yang merupakan mean ij untuk kolom itu.

Dari tabel 3.12 di atas dapat diperjelas, dengan susunan datanya

dapat dilihat ada 6 populasi, dan tampak menjadi :

Tabel 3.13
Variabel pertama

1 2
1 X111 X121
. .
Variabel kedua

X11k X12l
11 12 1.
2 X211 X221
. .
X21n X22o
21 22 2.
3 X311 X321
. .

.1 .2 ..

Keterangan :

Dalam tabel 3.13 terbagi menjadi 6 populasi (jumlah data setiap

populasi tidak harus sama).

Beberapa contoh ANAVA dua klasifikasi sebagai berikut :

a) Kita mempunyai murid di 3 sekolah (c=3) untuk diselidiki.

Kita ingin membandingkan ketiga sekolah tersebut, dengan
membandingkan keempat metode mengajar (r=4); atau kita
ingin melihat adanya efek interakasi antara sekolah tertentu
dan metode mengajar tertentu.
b) Kita mempunyai 3 kota (c=3) dan telah membagi tenaga
kerja yang bekerja di 3 kota tersebut dalam jenis kelamin

28
 mereka (r=2). Kita ingin membandingkan antara penghasilan
rata-rata tenaga kerja laki-laki dan perempuan;
membandingkan penghasilan rata-rata tenaga kerja ketiga
kota ; atau melihat adanya kemungkinan interaksi antara jenis
kelamin dari ketiga kota tersebut.
c) Kita mempunyai 4 varitas padi (c=4) dan 3 macam pupuk
(r=3) dan ingin menyelidiki apakah ada suatu kombinasi
varitas padi dan pupuk tertentu yang akan memberikan hasil
rata-rata yang lebih besar dari kombinasi yang lain. Atau
ingin membandingkan produktivitas rata-rata ketiga macam
pupuk, atau keempat varitas padi.
Dalam penelitian eksperimen, sangat diperlukan analisis
statistic untuk menyimpulkan hasil eksperimen. Salah satu
teknik analisis yang cocok untuk ini adalah ANAVA (analisis
varian) atau dalam bahasa Inggris ANOVA (Analysis of
variance). Sesuai kebutuhannya dalam statistic dikenal istilah
one way ANOVA (ANAVA satu jalur) dan two way ANOVA
(ANAVA dua jalur). ANAVA satu jalur hanya
memperhitungkan 1 faktor yang menimbulkan variasi,
sedangkan ANAVA dua jalur memperhitungkan dua faktor yang
menimbulkan variasi. Namun dalam hal ini yang akan kita bahas
adalah ANAVA dua jalur.
ANAVA satu jalur sebenarnya dapat dipakai untuk
menghadapi kasus variabel bebas lebih dari satu. Hanya saja
analisisnya dilakukan satu per satu, sehingga akan menghadapi
banyak kasus ( N semakin banyak ). Namun dengan melalui
ANAVA dua jalur akan dihindari terjadinya noise (suatu
kemungkinan yantg menyatakan terdapat suatu efek karena
bercampurnya suatu analisis data). Noise ini dapat dihindari
pada ANAVA dua jalur karena analis disini melibatkan kontor
terhadap perbedaan (katagorikal) variabel bebas. Variabel-
variabel tiap kelompok tidak diambil secara acak melainkan
ditempatkan dalam cluster-cluster tertentu sesuai dengan
karakteristik yang mungkin ada dalam variabel itu.

29
 Pada dasarnya pola sampel dapat dikelompokan menjadi
dua kelompok,yaitu:
1) Seluruh sampel, baik yang berada pada kelompok pertama
sampai dengan yang ada di kelompok lain, berasal dari
populasi yang sama. Untuk kondisi ini hipotesis nol terbatas
pada tidak ada efek dari treatment (perlakuan).
2) Sampel yang ada di kelompok satu berasal dari populasi
yang bebeda dengan populasi sampel dengan populasi
sampel yang ada di kelompok lainnya.

Mengingat ANAVA berkaitan dengan pengujian hipotesis

multipel (ganda). Pada saat melakukan pengujian hipotesis
(perbedaan dua rata-rata) dengan menggunakan t tes selalu
menanggung kesalahan tipe 1 sebesar alpha. Untuk ANAVA
kesalahan tipe 1 disebut dengan experiment wise alpha level
yang besarnya 1- (1-α)N.
Dimana N merupakan banyaknya tes jika menggunakan uji t
(dilakukan satu per satu).
ANAVA dua jalur digunakan para peneliti untuk mengatasi
perbedaan nilai variabel terikat yang dikategorikan berdasarkan
variabel bebas yang banyak dan masing-masing variabel terdiri
dari beberapa kelompok. ANAVA dua jalur merupakan
penyempurnaan dari ANAVA satu jalur.
ANAVA dua jalur lebih efisien daripada ANAVA satu jalur,
karena kasus yang dihadapi lebih sedikit yaitu sejumlah sampel
noise dapat dihilangkan. Disamping itu, dapat diketahui pula
unsur kebersamaan variabel bebas dalam mempengaruhi
variabel terikat.
ANAVA dua jalur mempertimbangkan 2 faktor yang
mengakibatkan terjadinya penyimpangan (dispersi) dan nilai-
nilai yang dihitung dengan standar deviasi atau variansi. Apabila
para peneliti ingin menguji efektivitas keberbedaan dua buah
faktor, yang masing-masing faktornya terbagi atas beberapa
kategori, peneliti dapat menggunakan ANAVA ini. Variasi Total
dalam model bisa digambarkan sebagai berikut :

30
 Variasi Total (SSTO) Di antara kelompok (SSTR)

Di antara zona (SSB)

Error sampling (SSE)

Keterangan :
SSTO : Sum of Squared Deviation Total (jumlah daviasi
kuadrat total)
SSTR : Sum of Squared Deviation among Treatment (jumlah
deviasi kuadrat antar group)
SSB : Sum of Squared Deviation among Block (jumlah
deviasi kuadrat antar zona)
SSE : Sum of Squared Deviation Error (jumlah deviasi error
kuadrat).

Rumus:
𝑇2
SSTO = ∑𝑛𝑖=1 ∑𝑘𝑘=1 𝑥 2 − 𝑁
2
𝑇 𝑇2
SSTR = ∑𝑘𝑘−1 𝑘 ‐
𝑛 𝑘 𝑁
𝑇2 𝑇2
SSB = ∑𝑖𝑖=1 𝑛 ‐
𝑖 𝑁
SSE = SSTO ‐ SSTR ‐SSB

Jika dibuatkan tabel secara lengkap maka proses mencari nilai

Fhitung untuk analisis ini bisa dilihat sebagai berikut :

Sumber Derajat bebas Sum of Square Mean Fhit

variasi Square
Antar k‐1 𝑇2 MSTR= F=
SSTR = ∑𝑘𝑘−1 𝑛𝑘
Kelom- 𝑘 SSTR MSTR
𝑇2 k‐1 MSE
pok ‐ 𝑁
Antar Zona j‐1 SSB = SSB F=
MSB = j‐1
𝑇2 𝑇2 MSB
∑𝑖𝑖=1 ‐ MSE
𝑛𝑖 𝑁
error (j‐1) (k‐1) SSE = MSE =

31
 SSTO ‐ 𝑆𝑆𝐸
(j‐1)(k‐1)
SSTR ‐SSB
Total N‐1= jk‐1 SSTO =
∑𝑛𝑖=1 ∑𝑘𝑘=1 𝑥 2 −
𝑇2
𝑁

Contoh 3.8
Dinas pendidikan melakukan penelitian yang terkait dengan uji
coba penggunaan metode pembelajaran yang dikaitkan dengan
perbedaan zona. Dalam hal ini dipilih 6 zona, yang masing-
masing zona dipilih 4 sekolah yang masing-masing sekolah
menggunakan metode pembelajaran yang berbeda.
Data yang diambil adalah nilai rata-rata di masing-masing
sekolah, dengan skor penilaiannya antara 0 sampai 100.
Data selengkapnya adalah sebagai berikut :
Zona Metode Total Mean
A B C D

1 70 61 82 74 287 71.75

2 77 75 88 76 316 79.00

3 76 67 90 80 313 78.25

4 80 63 96 76 315 78.75

5 84 66 92 84 326 81.50

6 78 68 98 86 330 82.50

Total 465 400 546 476 1.887

Mean 77.50 66.67 91.00 79.33 78.625

JAWAB:

32
Dari tabel tersebut bisa kita uraikan data datanya sebagai berikut
J = 6, k = 4, jk = 24
Berikut ini data tentang group :
𝑛1 = 6 𝑛2 = 6 𝑛3 = 6 𝑛4 = 6 N = 24
𝑇1 = 465 𝑇2 = 400 𝑇3 = 546 𝑇4 = 476 T = 1.887
𝑇1 = 216.225 𝑇2 = 160.000 𝑇3 = 298.116 𝑇42 = 226.576
2 2 2

𝑇 2 = 3.560. 769

Berikut data tentang zona :

𝑛1 = 4 𝑛2 = 4 𝑛3 = 4 𝑛4 = 4
𝑇1 = 287 𝑇2 = 316 𝑇3 = 313 𝑇4 = 315
𝑇1 = 82.369 𝑇2 = 99.856 𝑇3 = 97. 969 𝑇42 = 99.225
2 2 2

𝑛5 = 4 𝑛6 = 4 N = 24
𝑇5 = 326 𝑇6= 330 T = 1. 887
𝑇52 = 106.276 2
𝑇6 = 108. 900 𝑇 2 = 3.560. 769

Sekarang kita bisa memulai proses penghitungannya :

∑𝑛𝑖=1 ∑𝑘𝑘=1 𝑥 2 = 702 + 772 + ⋯ + 862 = 150661

(jumlah semua 𝑥 2 dari 4 kelompok).

𝑇2
SSTO = ∑𝑛𝑖=1 ∑𝑘𝑘=1 𝑥 2 − 𝑁
= 150.661 ‐ 148.365,375

= 2.295,625698

𝑇𝑘2 𝑇2 216.225 160.000 298.116 2226.576

SSTR = ∑𝑘𝑘−1 ‐ =( + + + )
𝑛𝑘 𝑁 6 6 6 6
-148.365,375

= 150.152, 8333 ‐ 148.365,375

= 1.787,46
𝑇2 𝑇2 82.369 99.856 97.969 99.225 106.276
SSB = ∑𝑖𝑖=1 𝑛 ‐ =( + + + +
𝑖 𝑁 4 4 4 4 4
+

33
 108.900
)‐ 148.365,375
4
= 148.648,75 ‐ 148.365,375
= 283,375
SSE = SSTO ‐ SSTR ‐ SSB
= 2.295,63 ‐ 1. 787,46 ‐ 283,375
= 224, 79.

Perhitungan selengkapnya untuk mencari Fhitung dapat dilihat

seperti di bawah ini :

Sumber Derajat Sum Of Mean 𝐹𝑢𝑗𝑖

variasi bebas Square Square
Antar 4‐1= 3 SSTR = MSTR= F=
Kelompok 1.787,46 1.787,46 595,820
4‐1
= =
14,986
595, 820 39,758
Antar 6‐1= 5 SSB = MSB = F=
Zona 283,375 283,375 56.678
= =
6‐1 14,986
56.678 3, 782
Error (6‐1)(4‐1) SSE = MSE =
224, 79 224,79
= 15
(6‐1)(4‐1)
= 14,986
Total 24‐1= 23 SSTO =
2.295,63

Tabel tersebut telah memberikan kepada kita nilai F hitung baik

dari informasi group maupun dari zona. Dalam pengujian,
hipotesis nol dan hipotesis alternatif akan berupa :
𝐻0 : 𝜇.1 = 𝜇.2 = 𝜇.3 = 𝜇.4
𝐻1 : paling sedikit ada satu group yang berbeda meannya.
Kita menggunakan 𝜇.1 ; 𝜇.2 dan seterusnya karena kita juga
harus mempertimbangkan mean kelompok yang akan berupa
𝜇.1 ; 𝜇.2 ; 𝜇.3 ; 𝜇.4 .

34
 Ada 2 uji yang dapat kita lakukan disini yaitu uji beda mean
antar group dan uji beda mean antar blok,

1. Uji Beda Mean Antar Group (Metode)

Uji ini bermaksud melihat apakah mean antar group berbeda

atau tidak.
Langkah langkah pengujian :
1) Tentukan 𝐻0 dan 𝐻1
𝐻0 : 𝜇.1 = 𝜇.2 = 𝜇.3 = 𝜇.4
𝐻1 : paling sedikit ada satu group yang berbeda meannya.
2) Tentukan nilai kritis
Nilai Ftabel kita peroleh dari informasi derajat bebas dan
tingkat signifikansi. Derajat bebas yang dipakai adalah :
𝐹𝛼 [(𝑘‐1);(𝑗‐1)(𝑘‐1)]
Misalkan tingkat signifikansi atau α yang dipilih 0,05.
Dengan k = 4 dan j = 6, maka derajat bebasnya adalah:
(4-1); (6-1)(4-1) = (3,15) sehingga F(3,15:0,05) = 3,29
3) Tentukan nilai uji
Seperti yang terlihat pada tabel sebelumnya yaitu nilai Fhitung
adalah 39, 758
4) Keputusan
Kita akan menolak 𝐻0 jika nilai Fhitung > Ftabel.
Karena Fhitung = 39, 758 > Ftabel = 3,29, maka Ho ditolak.
kesimpulannya adalah bahwa hasil dari metode pembelajaran
di antara empat sekolah tersebut adalah berbeda.

2. Uji Beda Mean Antar Blok (Zona)

Uji ini bermaksud melihat apakah mean antar zona berbeda atau
tidak. Dengan kata lain, kita ingin melihat apakah
pengelompokkan dalam zona tersebut mempunyai arti atau
tidak.
Langkah langkah pengujian :
1) Tentukan 𝐻0 dan 𝐻1

35
 𝐻0 : 𝜇.1 = 𝜇.2 = 𝜇.3 = 𝜇.4
𝐻1 : paling sedikit ada satu zona yang berbeda meannya.
2) Tentukan nilai kritis
Nilai Ftabel kita peroleh dari informasi derajat bebas dan
tingkat signifikansinya. Derajat bebas yang dipakai adalah :
𝐹𝑎 [(𝑗‐1);(𝑗‐1)(𝑘‐1)]
Misalkan tingkat signifikansi atau α yang dipakai adalah
0,05. Dengan k = 4 dan j = 6, maka derajat bebasnya adalah
(6-1); (6-1)(4-1)=(5,15) sehingga diperoleh F(5,15:0,05) = 2,90
3) Tentukan nilai uji
Seperti yang terlihat pada tabel sebelumnya yaitu nilai
Fhitung adalah 3,782
4) Keputusan
Kita tolak 𝐻0 jika nilai Fhitung > Ftabel.
Karena Fhitung = 29,0 > Ftabel= 2,90
maka keputusannya adalah menolak 𝐻0 .
Yang berarti ada perbedaaan dg zona tersebut.Dengan kata
lain proses pengelompokkan yang telah kita lakukan ke
dalam berbagai zona adalah penting secara statistik, terkait
dengan penggunaan metode pembelajaran yang berbeda-
beda.

36
 Tabel t
Uji 2 Pihak, =0,05
dk t0,05 dk t0,05 dk t0,05 dk t0,05 dk t0,05 dk t0,05
- - 49 2.010 99 1.984 149 1.976 199 1.972 249 1.970
- - 50 2.009 100 1.984 150 1.976 200 1.972 250 1.969
1 12.706 51 2.008 101 1.984 151 1.976 201 1.972 251 1.969
2 4.303 52 2.007 102 1.983 152 1.976 202 1.972 252 1.969
3 3.182 53 2.006 103 1.983 153 1.976 203 1.972 253 1.969
4 2.776 54 2.005 104 1.983 154 1.975 204 1.972 254 1.969
5 2.571 55 2.004 105 1.983 155 1.975 205 1.972 255 1.969
6 2.447 56 2.003 106 1.983 156 1.975 206 1.972 256 1.969
7 2.365 57 2.002 107 1.982 157 1.975 207 1.971 257 1.969
8 2.306 58 2.002 108 1.982 158 1.975 208 1.971 258 1.969
9 2.262 59 2.001 109 1.982 159 1.975 209 1.971 259 1.969
10 2.228 60 2.000 110 1.982 160 1.975 210 1.971 260 1.969
11 2.201 61 2.000 111 1.982 161 1.975 211 1.971 261 1.969
12 2.179 62 1.999 112 1.981 162 1.975 212 1.971 262 1.969
13 2.160 63 1.998 113 1.981 163 1.975 213 1.971 263 1.969
14 2.145 64 1.998 114 1.981 164 1.975 214 1.971 264 1.969
15 2.131 65 1.997 115 1.981 165 1.974 215 1.971 265 1.969
16 2.120 66 1.997 116 1.981 166 1.974 216 1.971 266 1.969
17 2.110 67 1.996 117 1.980 167 1.974 217 1.971 267 1.969
18 2.101 68 1.995 118 1.980 168 1.974 218 1.971 268 1.969
19 2.093 69 1.995 119 1.980 169 1.974 219 1.971 269 1.969
20 2.086 70 1.994 120 1.980 170 1.974 220 1.971 270 1.969
21 2.080 71 1.994 121 1.980 171 1.974 221 1.971 271 1.969
22 2.074 72 1.993 122 1.980 172 1.974 222 1.971 272 1.969
23 2.069 73 1.993 123 1.979 173 1.974 223 1.971 273 1.969
24 2.064 74 1.993 124 1.979 174 1.974 224 1.971 274 1.969
25 2.060 75 1.992 125 1.979 175 1.974 225 1.971 275 1.969
26 2.056 76 1.992 126 1.979 176 1.974 226 1.971 276 1.969
27 2.052 77 1.991 127 1.979 177 1.973 227 1.970 277 1.969
28 2.048 78 1.991 128 1.979 178 1.973 228 1.970 278 1.969
29 2.045 79 1.990 129 1.979 179 1.973 229 1.970 279 1.969
30 2.042 80 1.990 130 1.978 180 1.973 230 1.970 280 1.968
31 2.040 81 1.990 131 1.978 181 1.973 231 1.970 281 1.968
32 2.037 82 1.989 132 1.978 182 1.973 232 1.970 282 1.968
33 2.035 83 1.989 133 1.978 183 1.973 233 1.970 283 1.968
34 2.032 84 1.989 134 1.978 184 1.973 234 1.970 284 1.968
35 2.030 85 1.988 135 1.978 185 1.973 235 1.970 285 1.968
36 2.028 86 1.988 136 1.978 186 1.973 236 1.970 286 1.968
37 2.026 87 1.988 137 1.977 187 1.973 237 1.970 287 1.968
38 2.024 88 1.987 138 1.977 188 1.973 238 1.970 288 1.968
39 2.023 89 1.987 139 1.977 189 1.973 239 1.970 289 1.968
40 2.021 90 1.987 140 1.977 190 1.973 240 1.970 290 1.968
41 2.020 91 1.986 141 1.977 191 1.972 241 1.970 291 1.968
42 2.018 92 1.986 142 1.977 192 1.972 242 1.970 292 1.968
43 2.017 93 1.986 143 1.977 193 1.972 243 1.970 293 1.968
44 2.015 94 1.986 144 1.977 194 1.972 244 1.970 294 1.968
45 2.014 95 1.985 145 1.976 195 1.972 245 1.970 295 1.968
46 2.013 96 1.985 146 1.976 196 1.972 246 1.970 296 1.968
47 2.012 97 1.985 147 1.976 197 1.972 247 1.970 297 1.968
48 2.011 98 1.984 148 1.976 198 1.972 248 1.970 298 1.968

Sumber: Diolah dengan Excel, Formula: =TINV(probability,deg_freedom)

37
 Tabel F
=0,05
dk Pembilang (k)
dk
Penyebut
1 161.45 199.50 215.71 224.58 230.16 233.99 236.77 238.88 240.54 241.88
1 2 3 4 5 6 7 8 9 10
2
(n-k-1) 18.51 19.00 19.16 19.25 19.30 19.33 19.35 19.37 19.38 19.40
3 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85
12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75
13 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71 2.67
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60
15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49
17 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49 2.45
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41
19 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42 2.38
20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37 2.32
22 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34 2.30
23 4.28 3.42 3.03 2.80 2.64 2.53 2.44 2.37 2.32 2.27
24 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30 2.25
25 4.24 3.39 2.99 2.76 2.60 2.49 2.40 2.34 2.28 2.24
26 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.22
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25 2.20
28 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24 2.19
29 4.18 3.33 2.93 2.70 2.55 2.43 2.35 2.28 2.22 2.18
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16
31 4.16 3.30 2.91 2.68 2.52 2.41 2.32 2.25 2.20 2.15
32 4.15 3.29 2.90 2.67 2.51 2.40 2.31 2.24 2.19 2.14
33 4.14 3.28 2.89 2.66 2.50 2.39 2.30 2.23 2.18 2.13
34 4.13 3.28 2.88 2.65 2.49 2.38 2.29 2.23 2.17 2.12
35 4.12 3.27 2.87 2.64 2.49 2.37 2.29 2.22 2.16 2.11
36 4.11 3.26 2.87 2.63 2.48 2.36 2.28 2.21 2.15 2.11
37 4.11 3.25 2.86 2.63 2.47 2.36 2.27 2.20 2.14 2.10
38 4.10 3.24 2.85 2.62 2.46 2.35 2.26 2.19 2.14 2.09
39 4.09 3.24 2.85 2.61 2.46 2.34 2.26 2.19 2.13 2.08
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08
41 4.08 3.23 2.83 2.60 2.44 2.33 2.24 2.17 2.12 2.07
42 4.07 3.22 2.83 2.59 2.44 2.32 2.24 2.17 2.11 2.06
43 4.07 3.21 2.82 2.59 2.43 2.32 2.23 2.16 2.11 2.06
44 4.06 3.21 2.82 2.58 2.43 2.31 2.23 2.16 2.10 2.05
45 4.06 3.20 2.81 2.58 2.42 2.31 2.22 2.15 2.10 2.05
46 4.05 3.20 2.81 2.57 2.42 2.30 2.22 2.15 2.09 2.04
47 4.05 3.20 2.80 2.57 2.41 2.30 2.21 2.14 2.09 2.04
48 4.04 3.19 2.80 2.57 2.41 2.29 2.21 2.14 2.08 2.03
49 4.04 3.19 2.79 2.56 2.40 2.29 2.20 2.13 2.08 2.03
50 4.03 3.18 2.79 2.56 2.40 2.29 2.20 2.13 2.07 2.03
51 4.03 3.18 2.79 2.55 2.40 2.28 2.20 2.13 2.07 2.02
52 4.03 3.18 2.78 2.55 2.39 2.28 2.19 2.12 2.07 2.02
53 4.02 3.17 2.78 2.55 2.39 2.28 2.19 2.12 2.06 2.01
54 4.02 3.17 2.78 2.54 2.39 2.27 2.18 2.12 2.06 2.01
55 4.02 3.16 2.77 2.54 2.38 2.27 2.18 2.11 2.06 2.01

38