ANALISIS VARIAN

MULTIVARIAT

Dr. ABDUL MUHITH, S.Kep.,Ns., M.MKes., M. Tr. Kep

PENGANTAR
• MERUPAKAN EKSTENSI DARI
ANALISIS VARIAN UNIVARIAT
• VARIABEL DEPENDEN LEBIH DARI
SATU
• SKALA PENGUKURAN INTERVAL
ATAU RATIO
• MENGGUNAKAN ASUMSI DISTRIBUSI
NORMAL MULTIVARIAT
• BISA UNTUK SAMPEL YANG
INDEPENDEN MAUPUN SAMPEL
YANG RELATED (REPEATED
MEASUREMENT)
• PADA ANALISIS VARIAN UNIVARIAT
KITA MENGENAL : (1) K – SAMPEL
INDEPENDEN ATAU (2) K –
REPEATED MEASUREMENT
• BILA JUMLAH SAMPEL = 2 KITA
MENGENAL HOTELLING’S T
SEBAGAI ALTERNATIF UJI t UNTUK
DUA SAMPEL BEBAS
• BILA JUMLAH SAMPEL = 1 MASING-
MASING INDIVIDU DIUKUR DUA KALI
KITA JUGA MENGENAL HOTELLING’S
T SEBAGAI ALTERNATIF UJI t UNTUK
DATA BERPASANGAN
PENATAAN
DATA
 HOTELLING’S T DUA SAMPEL
INDEPENDEN
KELOMPOK I KELOMPOK II
VAR-1 VAR-2 VAR-3 VAR-1 VAR-2 VAR-3
1,75 4,67 0,15 1,98 4,32 0,11
1,65 4,69 0,17 1,99 4,35 0,12
1,78 4,76 0,18 1,87 4,45 0,14
1,81 4,86 0,14 1,97 4,37 0,10
1,79 4,65 0,18 1,98 4,38 0.11
 HOTELLING’S T RELATED
SAMPLE
PRETEST POST TEST
VAR-1 VAR-2 VAR-3 VAR-1 VAR-2 VAR-3
7,75 3,67 0,15 9,98 4,32 1,11
7,65 3,69 0,17 9,99 4,35 1,12
7,78 3,76 0,18 9,87 4,45 1,14
7,81 3,86 0,14 9,97 4,37 1,10
7,79 3,65 0,18 9,98 4,38 1.11
 TIGA SAMPEL BEBAS
KELOMPOK 1 KELOMPOK 2 KELOMPOK 3
VAR1 VAR2 VAR3 VAR1 VAR2 VAR3 VAR1 VAR2 VAR3

0,12 2,35 5,67 0,17 2,89 5,34 1,01 3,01 5,98

0,14 2,36 5,78 0,19 2,98 5,47 1,02 3,11 5,99

0,15 2,32 5,98 0,18 2,78 5,48 1,11 2,99 5,89

0,17 2,33 5,78 0,19 2,90 5,36 1,10 3,12 5,93

0,14 2,37 5,67 0,16 2,87 5,47 1,09 3.11 5,92

 REPEATED MEASUREMENT
PUASA 2 JPP 3 JPP
VAR1 VAR2 VAR3 VAR1 VAR2 VAR3 VAR1 VAR2 VAR3

0,10 2,30 4,67 0,19 2,57 5,64 1,12 3,25 5,91

0,11 2,31 4,78 0,18 2,58 5,43 1,15 3,21 5,94

0,10 2,32 4,98 0,17 2,63 5,57 1,19 2,24 5,89

0,11 2,32 4,78 0,18 2,67 5,49 1,17 3,23 5,92

0,12 2,31 4,67 0,18 2,58 5,46 1,18 3.20 5,88

 STATISTIK
HOTELLING’S
T
 ASUMSI
• DUA POPULASI YANG MASING-
MASING MEMPUNYAI DISTRIBUSI
NORMAL MULTIVARIAT
• SKALA INTERVAL/RATIO
• KEDUA POPULASI ADALAH
INDEPENDEN
• KEDUA POPULASI MEMPUNYAI
MATRIK KOVARIAN YANG SAMA ( 1 =
2 =  )
 HIPOTESIS
• KEDUA POPULASI MEMPUNYAI
VEKTOR MEAN YANG BERBEDA
• VEKTOR MEAN POPULASI 1 TIDAK
SAMA DENGAN VEKTOR MEAN
POPULASI 2
1 = [ 11 12 13] 

2 = [ 21 22 23]

 PENGUJIAN HIPOTESIS
• DARI MASING-MASING POPULASI
DIAMBIL SAMPEL SECARA RANDOM
SEBANYAK n1 DAN n2
• DARI MASING-MASING SAMPEL
DIHITUNG MEAN MASING-MASING
VARIABEL
• DARI MASING-MASING SAMPEL
DIPEROLEH VEKTOR MEAN SAMPEL
• DARI MASING-MASING SAMPEL
DIHITUNG MATRIK SUM OF
SQUARES- CROSS PRODUCT
KATAKANLAN SSCP1 DAN SSCP2
• KEMUDIAN DIHITUNG MATRIK
KOVARIAN GABUNGAN (POOLED) : SP
• SP = [SSCP1 + SSCP2]/n1+n2-2
• SELANJUTNYA KITA HITUNG
TAKSIRAN  ( POPULATION COMMON
VARIANCE COVARIANCE MATRIX
ATAU MATRIK VARIAN KOVARIAN
BERSAMA DI POPULASI) :
• [(1/n1) + (1/n2)]SP
STATISTIK UJI
 1
 1 1  
  
T   x1  x 2    1   2  . *   SP  *  x1  x 2    1   2 
2 /

 n1 n 2  
 ASUMSI
• DI BAWAH Ho (ARTINYA BILA
HIPOTESIS NIHIL BETUL) MAKA :
• (1 -2) = 0 SEHINGGA KOMPONEN INI
BISA DIHILANGKAN
• STATISTIK T2 MEMPUNYAI
DISTRIBUSI SAMPLING MENDEKATI
DISTRIBUSI SEBAGAI BERIKUT :
  n1  n 2  2  p Fp;n n p1
 n1  n 2  p  1 1 2
 TITIK KRITIS

C 
2  n1  n 2  2  p Fp;n n p1(  )
 n1  n 2  p  1 1 2
 PENOLAKAN HIPOTESIS NIHIL
• HIPOTESIS NIHIL DITOLAK BILA :

• T2 > C2
CONTOH
 SAMPEL 1
• VEKTOR MEAN SAMPEL :

X1  1,756 4,726 0,164

 SAMPEL 1
• MATRIK SUM OF SQUARES- CROSS
PRODUCT SAMPEL:

 0,01592 0,00962  0,00092


SSCP1  0,00962 0,02962  0,00332 
 
 0,00092  0,00332 0,00132 
• Matrix M1 = SSCP1

• 0.01592 0.00962 -0.00092

• 0.00962 0.02963 -0.00332
• -0.00092 -0.00332 0.00132
 SAMPEL 2
• VEKTOR MEAN SAMPEL :

X 2  1,958 4,374 0,116

 SAMPEL 2
• MATRIK SUM OF SQUARES –CROSS
PRODUCT SAMPEL :

 0,00988  0,00856  0,00244


SSCP2   0,00856 0,00932 0,00208 
 
 0,00244 0,00208 0,00092 
• Matrix M2 = SSCP2

• 0.00988 -0.00856 -0.00244

• -0.00856 0.00932 0.00208
• -0.00244 0.00208 0.00092
• MTB > ADD M1 M2 M3
• MTB > PRINT M3
•
• Data Display

• Matrix M3= SSCP1 + SSCP2

• 0.02580 0.00106 -0.00336

• 0.00106 0.03895 -0.00124
• -0.00336 -0.00124 0.00224
 MENGHITUNG MATRIK
KOVARIAN GABUNGAN
• MTB > MULTIPLY 0.125 M3 M4
• MTB > PRINT M4
•
• Data Display

• Matrix M4 = S(POOLED)

• 0.0032250 0.0001325 -0.000420

• 0.0001325 0.0048688 -0.000155
• -0.0004200 -0.0001550 0.000280
 MENGHITUNG MATRIK
KOVARIAN GABUNGAN RUMUS
LAIN

n1  1 n2 1
SP  S1  S2
n1  n 2  2 n1  n 2  2
 MENGHITUNG SELISIH DUA
VEKTOR MEAN SAMPEL

X1  X 2   0,202  0,352  0,048

MENGHITUNG TAKSIRAN 

1 1
  SP
 n1 n 2 
• MTB > MULTIPLY 0.4 M4 M5
• MTB > PRINT M5
•
• Data Display (NOTE : 0,4 DARI (1/5)+(1/5))
• n1 = n2 = 5

• Matrix M5

• 0.001290 0.0000530 -0.000168

• 0.000053 0.0019475 -0.000062
• -0.000168 -0.0000620 0.000112
 INVERSI MATRIK TAKSIRAN 
• MTB > INVERSE M5 M6
• MTB > PRINT M6
•
• Data Display

• Matrix M6

• 964.17 20.158 1457.4

• 20.16 523.112 319.8
• 1457.41 319.817 11291.7
TRANSPOSISI VEKTOR BEDA
DUA MEAN

 0,202 
  
X1  X 2 .   0,352
/



 0,048
 MENGHITUNG STATISTIK
HOTELLING’S T
• KOMPONEN 1 :

X1  X 2   0,202  0,352  0,048

• KOMPONEN 2 :
• Matrix M6

• 964.17 20.158 1457.4

• 20.16 523.112 319.8
• 1457.41 319.817 11291.7
• KOMPONEN 3 :

 0,202 
 
X1  X 2 ./   0,352
 
 0,048
• MTB > READ 1 3 M7
• DATA> 0.202 -0.352 -0.048
• 1 rows read.
• MTB > PRINT M7
•
• Data Display

• Matrix M7 = MATRIK BEDA MEAN

• 0.202 -0.352 -0.048

• MTB > TRANSPOSE M7 M8
• MTB > PRINT M8
•
• Data Display

• Matrix M8 =TRANSPOSE MATRIX M7

• 0.202
• -0.352
• -0.048
• MTB > PRINT M7
•
• Data Display

• Matrix M7

• 0.202 -0.352 -0.048

• MTB > PRINT M6

•
• Data Display

• Matrix M6

• 964.17 20.158 1457.4

• 20.16 523.112 319.8
• 1457.41 319.817 11291.7
• MTB > MULTIPLY M7 M6 M9
• MTB > PRINT M9
•
• Data Display

• Matrix M9

• 117.710 -195.415 -360.182

• MTB > MULTIPLY M9 M8 M10

• Answer = 109.8522

• MTB >
• T2 =KOMPONEN 1 * KOMPONEN 2 *
KOMPONEN 3
• KOMPONEN1 * KOMPONEN 2 :

• Matrix M9

• 117.710 -195.415 -360.182

• HASILNYA DIKALIKAN KOMPONEN 3 :

• Answer = 109.8522 = T2
 TITIK KRITIS
• LIHAT TABEL F :
• DEGREE OF FREEDOM NUMERATOR =
p = JUMLAH VARIABEL = 3
• DEGREE OF FREEDOM DENOMINATOR
= n1+n2 – p – 1
• = 5 + 5 – 3 -1 = 6
  = 0,05
• NILAI = 4,76
• TITIK KRITIS : C2 :

• [{(5+5-2)3}/{5+5-3-1}]*4,76
=(24/6)*4,76=15,04
• T2 = 109.8522 > 15,04
• HIPOTESIS NIHIL DITOLAK
H Kuntoro Bahan Kuliah Multiv S3
Ked 2007 NO:05
 WILKS’
LAMBDA
• TERDAPAT K – POPULASI YANG
MEMPUNYAI DISTRIBUSI NORMAL
MULTIVARIAT
• SKALA PENGUKURAN
INTERVAL/RATIO
• MEMPUNYAI MATRIK VARIAN-
KOVARIAN YANG SAMA (1 =…..=K=)
  ADALAH COMMON VARIANCE-
KOVARIANCE MATRIX
MENGAMBIL SAMPEL SECARA
RANDOM
• DARI MASING-MASING POPULASI
DIAMBIL SAMPEL SECARA RANDOM

SAMPEL SAMPEL SAMPEL

1 2 K
 MENGHITUNG VEKTOR MEAN
SAMPEL
• DARI MASING-MASING SAMPEL DIHITUNG
VEKTOR MEAN SAMPEL


X1  X11 X12 X13 X14 


X k  X k1 Xk2 X k3 Xk4 
MENGHITUNG MATRIK SSCP
• DARI MASING-MASING SAMPEL
DIHITUNG MATRIK SUM OF SQUARES-
CROSS PRODUCT SAMPEL
 SAMPEL KE 1

 SS11 
CP SS22 
S1   21

CP31 CP32 SS33 
 
CP41 CP42 CP43 SS44 
 SAMPEL KE K

 SS11 
CP SS 
Sk   21 22

CP31 CP32 SS33 
 
CP41 CP42 CP43 SS44 
 VEKTOR GRAND MEAN
• SELANJUTNYA DIHITUNG VEKTOR
“GRAND MEAN” SAMPEL :

n1 x1  n 2 x 2  ....  x k
x
n1  n 2  ....  n k
 WITHIN GROUP COVARIANCE
MATRIX
• SELANJUTNYA DIHITUNG MATRIK
KOVARIAN WITHIN GROUP :
• W =(n1-1)S1 +……….. + (nk-1)Sk
 BETWEEN GROUP
COVARIANCE MATRIX

B   n L  x L  x  x L  x 
k /

L 1
STATISTIK UJI : WILKS LAMBDA

|W|
 
*

|B W|
CONTOH
• ADA TIGA KELOMPOK SAMPEL
DENGAN BESAR SAMPEL MASING-
MASING ADALAH :
• n1 = 271 n2 = 138 n3 = 107

• TOTAL : n = 516
VEKTOR MEAN SAMPEL 1

2,066
0,480
X1   
0,082
 
0,360 
VEKTOR MEAN SAMPEL 2

 2,167 
0,596
X2   
 0,124 
 
0,418
VEKTOR MEAN SAMPEL 3

2,273
 0,521
X3   
 0,125 
 
 0,383
VEKTOR GRAND MEAN

 2,136 
0,519
X 
 0,102 
 
0,380
MATRIK KOVARIAN SAMPEL 1

 0,291 
 0,001 0,011 
S1   
 0,002 0,000 0,001 
 
 0,010 0,003 0,000 0,010
MATRIK KOVARIAN SAMPEL 2

 0,561 
 0,011 0,025 
S2   
 0,001 0,004 0,005 
 
0,037 0,007 0,002 0,019
MATRIK KOVARIAN SAMPEL 3

 0,261 
0,030 0,017 
S3   
0,003  0,000 0,004 
 
0,018 0,006 0,001 0,013
WITHIN GROUP COVARIANCE
MATRIX

182,962 
 4,408 8,200 
W 
 1,695 0,633 1,484 
 
 9,581 2,428 0,394 6,538
 BETWEEN GROUP
COVARIANCE MATRIX

3,475 
 1,111 1,225 
B 
 0,821 0,453 0,235 
 
0,584 0,610 0,230 0,304
 WILKS LAMBDA

•
|w|
* = ----------- = 0,7714
• |B+W|
  n L  p  2  1  
* 

  
 p  
*

 516  4  2  1  0,7714 
    17,67
 4  0,7714 
• UNTUK  = 0,01 JUMLAH VARIABEL
4 DAN JUMLAH KELOMPOK = 3

F2 p; 2   n L  p  2  ;
 F8;1020;0, 01  2,51
 KESIMPULAN
• KARENA 17,67 > 2,51 MAKA
HIPOTESIS NIHIL :

1=2 = 3
• DITOLAK
MATUR NUWUN