UJI NORMALITAS, UJI T & ANOVA

Dr. Neno Fitriyani Hasbie,M.Kes

dr. Neno Fitriyani Hasbie, M.Kes
Staf Pengajar Fak.Kedokteran Malahayati
+62 813 8629 04
neno_ hasbie@yahoo.com
 kumpulan angka yang dihasilkan dari
Pengertian pengukuran atau perhitungan yang
disebut data

Statistik
suatu metode ilmiah yang
dapat digunakan sebagai alat
bantu dalam mengambil
keputusan, mengadakan
analisis data hasil penelitian,
dal lain-lain.

(Budiarto, 2001)
 Statistik ialah suatu
cabang ilmu pengetahuan
(1) pengumpulan data,
pembantu, yang
mencakup :

DEFINISI
STATISTIK (2) pengolahan data, (3) penyajian data,

(4)
(5) menarik simpulan dari
suatu penelitian
(4) analisis data, dan
sekelompok subyek
penelitian.
 Statistik

Penerapan Statistik
Hampir di
setiap Bidang

pertanian manajemen

industri ekonomi
psikologi Kesehatan
 data atau informasi yang
Statistik
berkaitan dengan
Kesehatan
masalah kesehatan

Merencanakan Program Pelayanan Kesehatan

Menemukan alternatif penyelesaian masalah
Administrasi kesehatan
Kesehatan Melakukan analisis tentang berbagai penyakit selama
periode waktu tertentu

STATISTIK KESEHATAN
 Hubungan Penelitian
masalah dan
statistik…???????
hipotesis

menentukan sampel

mengumpulkan sampel
perlu
statistika
menyajikan data

menganalisa data

membuat kesimpulan
 Pembagian Statistik
Statistik
Sosial

Statistik Statistik
Deskriptif Inferensial

Non Parametrik Parametrik

STATISTIKA :
Kegiatan untuk : KEGUNAAN
• mengumpulkan data
• menyajikan data
• menganalisis data dengan metode tertentu
?
• menginterpretasikan hasil analisis

Melalui fase

STATISTIKA DESKRIPTIF :
Berkenaan dengan pengumpulan, pengolahan, dan penyajian sebagian
atau seluruh data (pengamatan) tanpa pengambilan kesimpulan

dan fase

STATISTIKA INFERENSI :
Setelah data dikumpulkan, maka dilakukan berbagai metode statistik untuk
menganalisis data, dan kemudian dilakukan interpretasi serta diambil kesimpulan.
Statistika inferensi akan menghasilkan generalisasi (jika sampel representatif)
 3. Data

DATA terbagi atas DATA KUALITATIF dan DATA KUANTITATIF

DATA KUALITATIF : DATA KUANTITATIF :

Data yang dinyatakan dalam
bentuk bukan angka.
Contoh : jenis pekerjaan,
status marital, tingkat
kepuasan kerja
Data yang dinyatakan dalam
bentuk angka
Contoh : lama bekerja,
jumlah gaji, usia, hasil
ulangan

DATA

KUALITATIF JENIS KUANTITATIF

DATA

NOMINAL INTERVAL
ORDINAL RASIO
 BEDA URUTAN JARAK NOL MUTLAK
SAMA

NOMINAL + - - -

ORDINAL + + - -

INTERVAL + + + -

RATIO + + + +
 4. Data
DATA NOMINAL :
Data berskala nominal adalah data yang diperoleh dengan cara kategorisasi atau klasifikasi.
CIRI : posisi data setara
tidak bisa dilakukan operasi matematika (+, -, x, :)
CONTOH : jenis kelamin, jenis pekerjaan

DATA ORDINAL :
Data berskala ordinal adalah data yang dipeoleh dengan cara kategorisasi atau klasifikasi, tetapi di antara
data tersebut terdapat hubungan
CIRI : posisi data tidak setara
tidak bisa dilakukan operasi matematika (+, -, x, :)
CONTOH : kepuasan kerja, motivasi

DATA INTERVAL :
Data berskala interval adalah data yang diperoleh dengan cara pengukuran, di mana jarak antara dua titik
skala sudah diketahui.
CIRI : Tidak ada kategorisasi
bisa dilakukan operasi matematika
CONTOH : temperatur yang diukur berdasarkan 0C dan 0F, sistem kalender

DATA RASIO :
Data berskala rasio adalah data yang diperoleh dengan cara pengukuran, di mana jarak antara dua titik
skala sudah diketahui dan mempunyai titik 0 absolut.
CIRI : tidak ada kategorisasi
bisa dilakukan operasi matematika
CONTOH : gaji, skor ujian, jumlah buku
 MULAI

Nominal/Ordinal
Tipe data

Interval/Ratio
Tidak normal Statistik
Distribusi
data Non
Parametrik
Normal
< 30
Jumlah
data

> 30 t-test jika distribusi

normal
Statistik
Parametrik
 PENGERTIAN UJI NORMALITAS
Sebuah uji yang dilakukan dengan tujuan untuk menilai sebaran
data pada sebuah kelompok data atau variabel.

sebaran data tersebut berdistribusi normal ataukah tidak?

Pengalaman empiris beberapa pakar statistic: data > 30 

berdistribusi normal. Biasa dikatakan sebagai sampel besar.

untuk kepastian  digunakan uji normalitas.

belum tentu data > 30 berdistribusi normal & data < 30 belum
tentu tidak berdistribusi normal
 Macam-macam Uji Normalitas
Uji normalitas yang dapat digunakan diantaranya:
•Uji grafik
•Chi-Square
•Lilliefors
•Kolmogorov Smirnov
•Shapiro Wilk
 Uji metode grafik adalah dengan
memperhatikan penyebaran data
pada sumber diagonal pada

grafik normal P-P Plot of Regression

Standardized Residual.
Uji Grafik
Data dinyatakan berdistribusi normal
apabila sebaran titik-titik berada
disekitar garis dan mengikuti garis
diagonal maka nilai tersebut normal
 • Pendekatan penjumlahan
penyimpangan data observasi
tiap kelas dengan nilai yang
diharapkan.
• Persyaratan : Data tersusun
Metode Chi-Square
berkelompok atau
(Uji Goodness of fit dikelompokkan dalam tabel
Distribusi Normal) distribusi frekuensi.
• Cocok untuk data dengan
banyaknya angka besar (n>30)
 Menggunakan data dasar yang
belum diolah dalam tabel distribusi
frekuensi. Data ditransformasikan
dalam nilai Z untuk dapat dihitung
luasan kurva normal sebagai
probabilitas komulatif normal

Metode
Lilliefors
PERSYARATAN
• Data berskala interval atau ratio
(kuantitatif)
• Data tunggal/belum
dikelompokkan pada tabel
distribusi frekuensi
• Dapat untuk n besar maupunn
kecil
 Metode Kolmogorov-Smirnov = metode Lilliefors.
Signifikansi Metode Kolmogorov-Smirnov
menggunakan tabel pembanding Kolmogorov-
Smirnov, sedangkan Metode Lilliefors menggunakan
tabel pembanding metode Lilliefors.
Metode
Kolmogorov-
Smirnov
PERSYARATAN

Data tunggal/ belum

Data berskala
dikelompokkan pada Dapat untuk n besar
interval atau ratio
tabel distribusi maupun n kecil.
(kuantitatif)
frekuensi
 Metode Shapiro Wilk

Metode Shapiro Wilk menggunakan data dasar yang belum diolah dalam tabel distribusi frekuensi. Data
diurut,kemudian dibagi dalam dua kelompok untuk dikonversi dalam Shapiro Wilk.
Dapat juga dilanjutkan transformasi dalam nilai Z untuk dapat dihitung luasan kurva normal

PERSYARATAN

Data berskala interval atau ratio Data tunggal/belum dikelompokkan

Data dari sampel random
(kuantitatif) pada tabel distribusi frekuensi
Kolmogorov-Smirnov
dari menu Analyze >
Descriptive Statistics >
Explore
 Hasilnya
Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
TOTALHSL .107 44 .200* .966 44 .372
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction

Jika nilai Sig lebih besar dari 0,05 maka data berdistribusi normal
Jika nilai Sig lebih kecil dari 0,05 maka data tidak berdistribusi normal
Cara lain
Hasilnya
 Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk Descriptive Statistics
Statistic df Sig. Statistic df Sig.
TOTALHSL .107 44 .200* .966 44 .372 N Skewness
KINERJA .122 44 .101 .943 44 .048 Statistic Statistic Std. Error
MOTIVASI .163 44 .005 .889 44 .010** TOTALHSL 44 .686 .357
IKLIM .144 44 .022 .943 44 .046 KINERJA 46 -.772 .350
KOMITMEN .135 44 .042 .942 44 .043 MOTIVASI 46 -1.296 .350
KEPUASAN .124 44 .088 .946 44 .061 IKLIM 46 -.238 .350
KEPEMIMP .108 44 .200* .930 44 .017
KOMITMEN 46 .026 .350
*. This is a lower bound of the true significance.
KEPUASAN 46 -.611 .350
**. This is an upper bound of the true significance.
KEPEMIMP 46 -.773 .350
a. Lilliefors Significance Correction Valid N (listwise) 44

One-Sample Kolmogorov-Smirnov Test

TOTALHSL KINERJA MOTIVASI IKLIM KOMITMEN KEPUASAN KEPEMIMP

N 44 46 46 46 46 46 46
Normal Parametersa,b Mean 2641.43 39.67 38.72 41.70 38.17 37.61 35.46
Std. Deviation 1014.71 3.11 5.46 5.62 3.84 4.16 6.60
Most Extreme Absolute .107 .110 .143 .130 .132 .129 .098
Differences Positive .107 .066 .125 .071 .132 .129 .074
Negative -.043 -.110 -.143 -.130 -.096 -.091 -.098
Kolmogorov-Smirnov Z .711 .746 .972 .884 .897 .875 .665
Asymp. Sig. (2-tailed) .693 .634 .301 .416 .397 .429 .769
a. Test distribution is Normal.
b. Calculated from data.
T TEST
30
 T Test

prosedur pengujian
parametrik rata-rata
Untuk menguji
dua kelompok data,
kebenaran atau
baik untuk kelompok
kepalsuan hipotesis
data terkait maupun
nol .
dua kelompok
bebas.

• Ho : hipotesis 0 ( tidak ada perbedaan)

• Ha : Hipotesis diterima (ada perbedaan)
 ONE SAMPLE T TEST

KLASIFIKASI
PAIRED SAMPLE T TEST
T TEST

INDEPENDENT T TEST

32
ONE SAMPLE T TEST

33
 Pengujian satu sampel yang pada
prinsipnya ingin menguji apakah suatu
nilai tertentu (yang diberikan sebagai
DEFINISI pembanding) berbeda secara nyata
ataukah tidak dengan rata-rata sebuah
sampel.
ONE
SAMPLE T
TEST Nilai tertentu di sini pada umumnya
adalah sebuah nilai parameter untuk
mengukur suatu populasi

34
 CONTOH KASUS

Data berat badan konsumen

yang meminum obat penurun
berat badan. Sebagai contoh,
dibuat dugaan bahwa populasi
Dengan data di atas, apakah
rata-rata berat sebelum minum
dapat disimpulkan bahwa berat
obat adalah 84,51 kilogram.
populasi rata-rata memang
Untuk membuktikan hal
84,51 kilogram?
tersebut, sekelompok anak
muda ditimbang, dan mereka
mempunyai rata-rata berat
badan 90 kilogram.

35
 PENYELESAIAN

• Pemasukan Data ke SPSS

• Pengolahan Data dengan
SPSS
 LANGKAH-LANGKAH
PENGUJIAN DENGAN
SPSS AKAN
DITAMPILKAN:
GAMBAR Kotak Dialog One Sample t test
36
 Pengisian:

Oleh karena tidak ada

⇒ Test Variable(s) atau ⇒ Test Value atau nilai
data missing (hilang) dan
Variabel yang akan diuji. yang akan diuji; karena Kemudian tekan OK untuk
tingkat kepercayaan tetap
Masukkan variabel akan diuji nilai hipotesis proses data.
95%, abaikan pengisian
sebelum. 90kg, maka ketik 90.
pilihan OPTIONS.

37
O
U
T
P
Untuk berat badan sebelum minum obat, konsumen
U
mempunyai berat rata-rata 84,5100 kilogram.
T

T
E
S
T Berat kelompok anak muda berbeda
dengan rata-rata berat populasi. 38
 Untuk statistik
t hitung dari
tabel bisa
output adalah –
PENGAMBI 2,615.
dihitung pada
tabel t:

LAN
df atau derajat
KEPUTUSA Tingkat
signifikansi (α)
kebebasan
adalah n – 1
N adalah 5%;
untuk uji dua
atau jumlah
data – 1
sisi, menjadi sehingga df
5% / 2 = 2,5%. adalah 10 – 1 =
9

39
T hitung  di daerah Ho ditolak
 rata-rata berat badan
kelompok anak muda tersebut
memang berbeda dengan rata-
rata berat badan populasi.

Uji dilakukan DUA SISI karena akan diketahui apakah

rata-rata SEBELUM sama dengan BERAT ANAK
4
0
PAIRED SAMPLE T
TEST
41
 • Uji ini dilakukan terhadap dua sampel yang
berpasangan (paired)
• Sampel yang berpasangan diartikan sebagai
DEFINISI sebuah sampel dengan subjek yang sama,
namun mengalami dua perlakuan atau
pengukuran yang berbeda

42
 CONTOH KASUS
Produsen Obat Penurun berat badan
ingin mengetahui apakah obat yang
diproduksinya benar-benar
mempunyai efek terhadap penurunan
berat badan konsumen.
Untuk itu, sebuah sampel yang terdiri
atas 10 orang masing-masing diukur
berat badannya, kemudian setelah
sebulan meminum obat tersebut,
kembali diukur berat badannya.
Populasi diketahui berdistribusi
normal. 43
A. Pemasukan Data ke SPSS
• Dari menu utama File, pilih menu New, lalu
klik mouse pada Data.
Kemudian klik mouse pada sheet tab
Variable View.
B. Input data
• Input data ke dalam SPSS DATA EDITOR
untuk berat badan sebelum dan sesudah 44
• Langkah-langkah:
– Buka file uji_t_paired.
LANJUTAN….
– Menu Analyze 􀃆 Compare-Means. 􀃆 Paired-
Samples T test….
 Tampak di layar:

45
 PENGISI
AN
• Paired Variable(s) atau Variabel yang akan diuji. Oleh karena
di sini akan diuji data “sebelum” dan “sesudah”, maka klik
mouse pada variabel sebelum, kemudian klik mouse sekali
lagi pada variabel sesudah, maka terlihat pada kolom Current
• Selection di bawah, terdapat keterangan untuk variable 1 dan
2.
• Kemudian klik mouse pada tanda ‘>‘ (yang sebelah atas), maka
pada Paired variables terlihat tanda sebelum .. sesudah.

46
 Konsumen mempunyai berat rata-rata sebelum minum obat adalah 84,51
kg. Setelah minum obat, konsumen mempunyai berat rata-rata 83,309 kg.

Hasil perbandingan antara kedua variabel, yang menghasilkan angka 0,943.

nilai signifikansi 0,000, p ≤ 0,05  korelasi antara berat sebelum dan sesudah
47
minum obat adalah sangat erat dan benar-benar berhubungan secara nyata
BERDASARKAN NILAI “ t “
• t hitung dari output adalah 1,646.
• Untuk statistik tabel bisa dicari pada tabel t, dengan cara:
– Tingkat signifikansi (α) adalah 10% untuk uji DUA SISI sehingga masing-
masing sisi menjadi 5%.
– df (degree of freedom) atau derajat kebebasan dicari dengan rumus
jumlah data – 1 atau 10 – 1 = 9 48
Dari tabel t, didapat t(0,025;9) adalah 1,833.

Oleh karena t hitung terletak pada daerah Ho diterima, maka

bisa disimpulkan obat tersebut tidak efektif dalam upaya
menurunkan berat badan 49
BERDASARKAN NILAI PROBABILITAS
• Untuk uji dua sisi, angka probabilitas adalah 0,067. Oleh
karena 0,067 > 0,025, maka Ho diterima.
• Dapat disimpulkan bahwa berat badan
sebelum dan sesudah minum obat relatif sama. Atau,
obat penurun berat tersebut tidak efektif dalam
menurunkan berat badan secara nyata.
50
INDEPENDENT T
TEST

51
 Tujuan: untuk mengetahui
Data berdistribusi
perbedaan mean dua dua
normal/simetris.
kelompok data independen,

T-Test
Kedua kelompok data
syarat yang harus dipenuhi:
Independen independen.

Variabel yang dihubungkan

berbentuk numerik dan
katagorik (ket: variabel
katagorik hanya dengan dua
kelompok).
 CONTOH KASUS
• Seorang peneliti ingin mengetahui apakah
ada perbedaan antara Tinggi dan Berat
badan seorang pria dan seorang wanita.
Untuk itu, 7 pria dan 7 wanita masing-
masing diukur tinggi dan berat badannya.
• Hasil pengukuran sebagai berikut :

53
Seorang peneliti ingin
mengetahui apakah ada
perbedaan antara Tinggi
dan Berat badan seorang
pria dan seorang wanita. PERHATIKAN TEKNIK INPUT
DATA UNTUK INDEPENDENT T
Untuk itu, 7 pria dan 7 TEST
wanita masing-masing
diukur tinggi dan berat
badannya.
Hasil pengukuran sebagai
berikut :

54
 A. Pemasukan Data ke SPSS
• Dari menu utama File, pilih menu New,
lalu klik mouse pada Data.
Kemudian klik mouse pada sheet tab
Variable View.
B. Input data
• Input data ke dalam SPSS DATA EDITOR
untuk tinggi badan, berat badan
• dan gender; untuk gender, masukkan
angka sesuai kode gender yang telah
• dibuat sebelumnya.

• Pengolahan Data dengan SPSS

• Menu Analyze  Compare-Means  Independent-Samples T test…. Tampak di layar:

PENYELESAIAN 55
 PENGISIAN
• ⇒ Test Variable(s); masukkan variabel tinggi;
kemudian masukkan juga variabel berat.
• ⇒ Grouping Variable atau variabel grup. Oleh
karena variabel pengelompokkan ada pada
variabel gender, maka masukkan variabel
gender.
• Pengisian grup:
• Klik mouse pada Define Group… Tampak di
layar:

Untuk Group1, isi dengan 1, yang berarti Grup 1 berisi tanda 1

atau “pria”.
• Untuk Group2, isi dengan 2, yang berarti Grup 2 berisi tanda 2 56
atau “wanita”.
 ANALISIS

1. Untuk berat badan, gender pria mempunyai berat rata-rata

66,457 kilogram, yang jauh di atas rata-rata berat badan
wanita, yaitu 49,557 kilogram, sedangkan tinggi rata-rata pria
adalah 169,3 cm yang juga lebih tinggi dari rata-rata wanita
yang hanya 155,314 cm.
Dari data tersebut,apakah ada perbedaan yang signifikan (jelas
dan nyata) antara berat badan pria dan wanita? Untuk itu analisis
dilanjutkan pada bagian kedua output.
57
2. Uji t dua sampel dilakukan dalam dua tahapan;
tahapan pertama adalah menguji apakah varians
dari dua populasi bisa dianggap sama? Setelah itu
baru dilakukan pengujian untuk melihat ada tidaknya
perbedaan rata-rata populasi. 58
 Tinggi Badan
1. pengujian apakah ada kesamaan varians pada data pria dan wanita;
pengujian asumsi kesamaan varians dilakukan lewat uji F
• Hipotesis untuk pengujian varians.
Ho = Kedua varians Populasi adalah identik (varians populasi tinggi
badan pria dan wanita adalah sama).
Ha = Kedua varians Populasi adalah tidak identik (varians populasi
tinggi badan pria dan wanita adalah berbeda).
59
 Kesimpulan Varians
• Terlihat bahwa F hitung untuk Tinggi Badan dengan
Equal variance assumed (diasumsi kedua varians sama
atau menggunakan pooled variance t test) adalah 5,475
dengan probabilitas 0,037. Oleh karena probabilitas <
0,05, maka Ho ditolak, atau kedua varians benar-benar
berbeda
 t test sebaiknya menggunakan dasar Equal variance
not assumed (diasumsi kedua varians tidak sama)
60
2. Analisis dengan memakai t test
Hipotesis untuk kasus ini.
• Ho = Kedua rata-rata Populasi adalah identik (rata-
rata populasi tinggi badan pria dan wanita adalah
sama).
• Ha = Kedua rata-rata Populasi adalah tidak identik
(rata-rata populasi tinggi badan pria dan wanita
adalah berbeda). 61
 Terlihat bahwa t hitung untuk Tinggi Badan
dengan Equal variance not assumed adalah
5,826 dengan probabilitas 0,001. Untuk uji dua
sisi, probabilitas menjadi 0,001/2 = 0,0005.
Oleh karena 0,0005 < 0,025, maka Ho ditolak.

KEPUTUS
AN AKHIR
Rata-rata tinggi badan pria benar-benar
berbeda dengan rata-rata tinggi badan wanita;
jika dilihat dari rata-rata kedua kelompok, Pria
lebih tinggi dari wanita

62
ANOVA

63
 Telaah variabilitas data menjadi dua
sumber variasi yaitu variasi dalam
kelompok (within) dan variasi antar
kelompok (between).

Bila variasi within dan between sama

Uji (nilai perbandingan kedua varian sama

dengan 1) maka mean-mean yang
dibandingkan tidak ada perbedaan

ANOVA
Bila hasil perbandingan tersebut
menghasilkan lebih dari 1, maka mean
yang dibandingkan menunjuk ada
perbedaan.
 Beberapa asumsi yang harus dipenuhi
pada uji ANOVA adalah:
1. Varian homogen
Syarat 2. Sampel/kelompok independen
3. Data berdistribusi normal
ANOVA 4. Jenis data yang dihubungkan
adalah : Numerik dengan katagori
(untuk katagori yang lebih dari 2
kelompok).
Analisis Varians Satu Arah
(One Way Anova)

66
 Analisis Varians Satu Arah
(One Way Anova)

Fungsi Uji :
Untuk mengetahui perbedaan antara 3 kelompok/
perlakuan atau lebih

Asumsi :
Data berskala minimal interval
Data berdistribusi Normal

Varians data homogen

 Analisis Varians Satu Arah
(One Way Anova)

Hipotesis :

H0 :
1   2   3  ....   k

H1 : Minimal ada satu pasang yang

berbeda
Jika H0 ditolak,
harus dicari pasangan mana yang berbeda, dengan menggunakan uji
perbandingan berganda
 Analisis Varians Satu Arah
(One Way Anova)
Penarikan Keputusan :
H0 ditolak pada tingkat signifikansi, jika :

Fhit  F (v1 , v 2 )
dimana adalah tabel F dengan derajat bebas:
F (v=1 ,derajat
v 2 ) bebas perlakuan =
v1 k 1
= derajat bebas sisa =
v2 nk
 UJI VARIANSI
 Salah satu asumsi yang harus dipenuhi pada
saat menggunakan uji Anova satu arah adalah
varians data HOMOGEN
 Untuk mengetahui kondisi varians data
(homogen atau heterogen) maka dilakukan
uji variansi yaitu uji Barlett
Fungsi Uji :
Uji Barlett
untuk mengetahui kondisi varians data (homogen atau
heterogen)

Hipotesis :
H0 : Varians data homogen
H1 : Varians data heterogen
 Uji Barlett
Pengambilan Keputusan :
Digunakan tabel Chi-Square dengan derajat bebas dan tingkat signifikansi

H0 ditolak jika :

 2   tabel
2
 Contoh Kasus
Ingin dilihat perbedaan kadar Hb dari 3 (tiga) kelompok
responden, dengan kondisi sebagai berikut :
• Kelompok I : Memperoleh suplemen Fe
• Kelompok II : Memperoleh suplemen Fe
dan vitamin B1
• Kelompok III : Tidak memperoleh
suplemen
 pengukuran kadar Hb adalah sebagai berikut :
Kelompok I Kelompok II Kelompok III
     
11,5 12,4 11,1
11,7 11,6 10,5
12,5 12,1 11,2
11,6 11,8 10,5
12,0 11,8 11,2
12,4 12,3 10,6
12,0 12,2
  12,1

Pertanyaan : Dengan asumsi data berdistribusi normal, apakah ada

perbedaan kadar Hb antara ke-3 kelompok tersebut ? (Gunakan =5%)
Hipotesis :
Langkah-Langkah Penyelesaian
H0 : 1 = 2 = 3
H1 : minimal ada satu pasang  yang berbeda

Atau

H0 : Tidak ada perbedaan kadar Hb untuk ke-3

kelompok
H1 : Ada perbedaan kadar Hb (minimal satu
pasang) untuk ke-3 kelompok
Dari data diperoleh nilai :

Kelompok 1 Kelompok 2 Kelompok 3 Jumlah

11,5 12,4 11,1

11,7 11,6 10,5
12,5 12,1 11,2
11,6 11,8 10,5
12,0 11,8 11,2
12,4 12,3 10,6
12,0 12,2
12,1
Jumlah 83,7 96,3 65,1 245,1
 Tabel Anova

Sbr var db SS MS Fhit

Perlakuan 2 5,692 2,846 24,965
Sisa 18 2,051 0,114
Total 20 7,743    
 Kesimpulan
Dengan menggunakan  = 5% dapat disimpulkan :
Fhit = 24,967
F(2,18)(5%) = 3,55

Karena  Fhit > F(2,18)(5%) maka Ho ditolak

Artinya : ada perbedaan kadar Hb (minimal
satu pasang )
 Uji Varians
Hipotesis :
H0 : Varians data homogen
H1 : Varians data heterogen
si2 Kelompok 1 Kelompok 2 Kelompok 3
0,149 0,077 0,123
 Kesimpulan
Dengan menggunakan  = 5% dapat disimpulkan :
2 = 0,7068
2 (5%)(2) = 5,99

Karena 2 < 2 (5%)(2) maka Ho diterima

 
Artinya : Varians data homogen
ANOVA Dua Arah
 ANOVA Dua Arah
• Memeriksa efek dari :
– Dua faktor pada variabel dependen
Contoh:
• Apakah terdapat pengaruh faktor A dan faktor B terhadap variabel dependen ?
• Apakah terdapat pengaruh shift dan jenis kelamin pada produktifitas kerja ?
– Interaksi antar level yang berbeda pada dua faktor tersebut
Contoh :
• Apakah terdapat interaksi antara 2 faktor yaitu faktor A dan faktor B terhadap
variabel dependen ?
• Apakah terdapat interaksi antara shift dan jenis kelamin terhadap produktifitas
kerja ?
 • Asumsi
– Normalitas
• Populasi berdistribusi
normal
ANOVA Dua – Homogenitas Variansi
Arah • Populasi mempunyai
kesamaan variansi
– Independensi Error
• Random sampel yang
Independen
• Sebuah pabrik mempekerjakan Contoh
karyawan dalam 4 shift (satu shift
terdiri atas sekelompok pekerja yang
berlainan).

• Manajer pabrik tersebut ingin

mengetahui apakah ada perbedaan
produktifitas yang nyata di antara 4
kelompok kerja yang ada selama ini.

• Selama ini setiap kelompok kerja

terdiri atas wanita semua atau pria
semua. Dan setelah kelompok pria
bekerja dua hari berturut-turut, ganti
kelompok wanita (tetap terbagi
menjadi 4 kelompok) yang bekerja.

• Demikian seterusnya, dua hari untuk

pria dan sehari untuk wanita.
84
• Faktor Shift :
Hipotesis
H0 : Tidak ada pengaruh faktor Shift terhadap
produktifitas
H1 : Ada pengaruh faktor Shift terhadap
produktifitas
• Faktor Gender :
H0 : Tidak ada pengaruh faktor Gender
terhadap produktifitas
H1 : Ada pengaruh faktor Gender terhadap
produktifitas
85
• Interaksi antara faktor Shift dan Faktor
Gender :

H0 : Tidak ada interaksi antara faktor Shift

dan Gender terhadap produktifitas

H1 : Ada interaksi antara faktor Shift dan

Gender terhadap produktifitas
86
• Nilai-p untuk interaksi antara faktor Shift dan Gender
adalah 0,598 > 0,05 sehingga H0 diterima yaitu
berarti tidak terdapat interaksi antara faktor Shift dan
Gender terhadap produktifitas

87
 Analisis Pasca Anova : Shift

• Terdapat beda nyata antara Shift II dengan Shift IV dan Shift II dengan Shift I
• Terdapat beda nyata antara Shift IV dengan Shift II dan Shift IV dengan Shift I, Dst 88
 Analisis Pasca Anova : Gender

Terdapat perbedaan nyata antara produktifitas pria dan produktifitas wanita 89

Hasil output SPSS • Nilai-p untuk faktor Shift mendekati 0
<  = 0,05 (Ho ditolak) sehingga
terdapat pengaruh faktor Shift
terhadap produktifitas

• Nilai-p untuk faktor Gender adalah

0,019 <  = 0,05 (Ho ditolak) sehingga
terdapat pengaruh faktor Gender
terhadap produktifitas.

• Nilai-p untuk interaksi antara faktor

Shift dan Gender adalah 0,598 > 0,05
sehingga H0 diterima yaitu berarti
tidak terdapat interaksi antara faktor
Shift dan Gender terhadap
produktifitas

90