Professional Documents
Culture Documents
(ANOVA SATU ARAH DAN UJI LANJUT, ANOVA DUA ARAH DAN UJI LANJUT,
KORELASI SEDRHANA, REGRESI SEDERHANA)
DISUSUN OLEH :
UNIVERSITAS SRIWIJAYA
KATA PENGANTAR
Puji syukur kehadirat Allah SWT, atas segala rahmat dan hidayah-Nya. Shalawat serta salam
senantiasa tercurahkan kepada junjungan Nabi Agung Muhammad SAW yang selalu kita
nantikan syafa’atnya di akhirat nanti.
Penulis mengucapkan syukur kepada Allah SWT atas limpahan nikmat sehat-Nya, baik itu
berupa sehar fisik maupun akal pikiran, sehingga penulis mampu untuk menyelesaikan
pembuatan makalah sebagai tugas dari mata kuliah Metoda Statistik Multivariat.
Penulis tentu menyadari bahwa makalah ini masih jauh dari kata sempurna dan masih banyak
terdapat kesalahan serta kekurangan di dalamnya. Untuk itu, penulis mengharapkan kritik
serta saran dari pembaca untuk makalah ini, supaya makalah ini nantinya dapat menjadi
makalah yang lebih baik lagi. Demikian, dan apabila terdapat banyak kesalahan pada
makalah ini penulis mohon maaf yang sebesar-besarnya.
Penyusun
2
BAB I
PENDAHULUAN
Untuk mengetahui apa itu anova 1 arah dan uji lanjut, anova 2 arah dan uji lanjut,
korelasi sederhana, regresi sederhana
Untuk mengetahui contoh anova 1 arah dan uji lanjut, anova 2 arah dan uji lanjut,
korelasi sederhana, regresi sederhana
3
BAB II
PEMBAHASAN
Konsep Anova didasarkan pada konsep distribusi F dan biasanya dapat diaplikasikan untuk
berbagai macam kasus maupun dalam analisis hubungan antara berbagai variabel yang
diamati. Dalam perhitungan statistik, Anova sangat dipengaruhi asumsi-asumsi yang
digunakan seperti kenormalan dari distribusi, homogenitas dari ragam dan kebebasan dari
kesalahan. Asumsi kenormalan distribusi memberi penjelasan terhadap karakteristik data
setiap kelompok. Asumsi adanya kehomogenitas ragam menjelaskan bahwa ragam dalam
masing-masing kelompok dianggap sama. Sedangkan asumsi bebas menjelaskan bahwa
ragam masing-masing terhadap rata-ratanya pada setiap kelompok bersifat saling bebas.
Pada pembahasan regresi linier, telah diperkenalkan sedikit penerapan tabel Anova untuk
menguji linearitas regresi. Selain kegunaan tersebut, Anova dipakai juga jika terdapat tiga
perlakuan atau lebih yang diuji keberadaan satu dan yang laninnya. Oleh karena itu, Anova
merupakan salah satu teknik analisis multivariat.
Sesuai dengan kebutuhannya, Anova dibedakan menjadi dua yaitu Anova satu jalur (one way
Anova) dan Anova dua jalur (two way Anova). Anova satu jalur hanya memperhitungkan satu
faktor yang menimbulkan variasi, sedangkan Anaoa dua jalur memperhitungkan dua faktor
yang menimbulkan variasi.
4
A. Anova satu jalur (one way anava)
Analisis tiga perbedaan terhadap tiga perlakuan atau lebih dengan memakai Anova perlu
menerapkan serangkaian langkah pengujian yang mengawali perhitungan Anova. Proses
pengujiannya melibatkan teknik-teknik statistik yang lain, seperti uji 𝑋 2 untuk
homogenitas varians. Dalam Anova satu jalur, terdapat dua jenis hipotesis penelitian
yang perlu diuji yaitu hipotesis main effect dan hipotesis simple effect. Hipotesis main
effect hanya ada satu buah, yaitu hipotesis dari perbedaan pengaruh variabel treatment
terhadap variabel terikat (kriterium). Sedangkan banyaknya hipotesis simple effect
tergantung banyaknya kelompok data, karena hipotesis ini merupakan hipotesis yang
membandingkan antar 2 (dua) kelompok data.
a. Tabel dasar
Kelompok A Kelompok B Kelompok C
YA1 YB1 YC1
YA2 YB2 YC2
5
YA3 YB3 YC3
. . .
Yan YBn YCn
. . .
. . .
n nA nB nC nT nA nB nC
̅
Y ̅A
Y ̅B
Y ̅C
Y -
(∑ 𝑌𝐾 )2 (∑ 𝑌𝑇 )2
5) JK(A) = ∑ −
𝑛𝐾 𝑛𝑇
6
JK(D)
8) RJK(D) = db(D)
RJK(A)
9) Fh = RJK(D)
e. Pengujian hipotesis main effect, dimana hipotesis yang akan diuji, yaitu:
H0: Tidak terdapat perbedaan pengaruh variabel treatment terhadap variable
kriteria.
H1: Terdapat perbedaan pengaruh variable treatment terhadap variable criteria.
f. menarik kesimpulan:
- Terima H0, jika Fhitung < Ftabel, dan
- Tolak H0, jika Fhitung > Ftabel.
7
8 80 6400 80 6400 80 6400 240 19200
9 65 4225 75 5625 65 4225 205 14075
10 80 6400 100 10000 75 5625 255 22025
11 80 6400 80 6400 75 5625 235 18425
12 85 7225 80 6400 85 7225 250 20850
13 70 4900 85 7225 70 4900 225 17025
14 75 5625 70 4900 75 5625 220 16150
15 85 7225 65 4225 75 5625 225 17075
16 55 3025 70 4900 50 2500 175 10425
17 85 7225 80 6400 80 6400 245 20025
18 60 3600 80 6400 60 3600 200 13600
19 85 7225 95 9025 80 6400 260 22650
20 90 8100 70 4900 70 4900 230 17900
21 75 5625 60 3600 75 5625 210 14850
22 95 9025 65 4225 80 6400 240 19650
23 55 3025 70 4900 55 3025 180 10950
24 90 8100 85 7225 75 5625 250 20950
25 70 4900 80 6400 70 4900 220 16200
26 90 8100 80 6400 75 5625 245 20125
27 75 5625 75 5625 75 5625 225 16875
28 60 3600 65 4225 60 3600 185 11425
29 70 4900 55 3025 70 4900 195 12825
30 95 9025 80 6400 75 5625 250 21050
31 70 4900 70 4900 70 4900 210 14700
32 95 9025 55 3025 70 4900 220 16950
33 85 7225 80 6400 75 5625 240 19250
34 65 4225 85 7225 65 4225 215 15675
35 85 7225 75 5625 85 7225 245 20075
36 80 6400 85 7225 75 5625 240 19250
37 100 10000 85 7225 80 6400 265 23625
38 100 10000 70 4900 80 6400 250 21300
39 50 2500 75 5625 45 2025 170 10150
8
40 60 3600 90 8100 60 3600 210 15300
41 55 3025 70 4900 55 3025 180 10950
JUMLAH 3185 3155 2920 9260 713500
n = 41 n = 41 n = 41 N = 123
Dengan α = 5%
1070,20325
𝐽𝐾 (𝐷) = 𝐽𝐾 (𝑇) − 𝐽𝐾(𝐴) = 691334,14634 − 1070,20325 =
690264,2602
Kesimpulan : karena Fhitung < F tabel sehingga dapat disimpulkan bahwa tiap perlakuan
menghasilkan hasil yang sama.
9
𝜇3) (khusus anova satu jalur, 3 jenjang), disesuaikan dengan berapa jalur anova yang
digunakan.
Sehingga kita perlu melakukan uji lanjutan anova satu jalur untuk melihat kemungkinan
manakah yang terjadi. Jika jumlah n setiap variabel sama, maka bisa melakukan uji Tukey.
Sedangkan jika jumlah n setiap variabel tidak sama, maka dapat melakukan uji Scheffe.
Uji Tukey
Uji Tukey biasa disebut dengan HSD (honestly significant difference) atau uji Beda
Nyata Jujur (BNJ), yang diperkenalkan oleh Tukey pada tahun 1953. Uji Tukey hanya dapat
digunakan untuk menguji seluruh pasangan sederhana. Untuk melakukan teknik ini, kita
memerlukan salah satu test statistik yaitu Q yang dianalogikan dari statistik-t yang
didefinisikan secara matematis :
Ada beberapa hal yang perlu diperhatikan dalam uji Tukey, yaitu :
1. Data ini membentuk dua sampel acak bebas berukuran n dan m. jika n dan m
tidak sama, maka n diperuntukkan sampel yang lebih besar
2. Skala pengukuran sekurang-kurangnya ordinal
3. Variabel-variabel acaknya kontinu.
i : data ke - 1, 2, 3, ...
j : data ke - (i+1)
𝑥̅ : rata-rata
5. Lakukan uji Tukey tiap kelompok (Qi)
|𝑥̅𝑖 − 𝑥̅𝑗 |
𝑄𝑖 =
√𝑅𝐽𝐾(𝐷)
𝑛
i : data ke - 1, 2, 3, ...
10
j : data ke - (i+1)
RJK(D) : rata-rata jumlah kuadrat dalam kelompok
n : banyak data
𝑅𝐽𝐾(𝐷)
HSD = 𝑞(∝;𝑑𝑏(𝐷),𝑘) √
𝑛
Contoh :
1 8 6 5
2 8 6 5
3 8 7 5
4 9 7 5
5 9 7 5
6 9 8 6
7 9 8 6
8 10 8 6
11
9 10 9 7
10 10 9 7 Total
N 10 10 10 30
∑Y 90 75 57 222
̅
𝒀 9 7,5 5,7 22,2
(∑𝑌𝑇 )2
JK(T) = ∑𝑌𝑇 2 – = 1720 – ((222)2 : 30 ) = 1720 – 1642,8 = 77,2
𝑛𝑇
12
Karena fhitung > ftabel dan Ho ditolak, maka perlu uji lanjut dengan uji t.
Sehingga kita bisa mengatakan ada perbedaan yang signifikan dari 3 kelompok di atas.
Untuk mengetahui kelompok manakah yang berbeda kita perlu melakukan uji Ttukey,
sebagai berikut:
1. Hipotesis :
a. Ho : 𝜇1 = 𝜇2
Ha : 𝜇1 ≠ 𝜇2
b. Ho : 𝜇1 = 𝜇3
Ha : 𝜇1 ≠ 𝜇3
c. Ho : 𝜇2 = 𝜇3
Ha : 𝜇2 ≠ 𝜇3
2. Kriteria pengujian
Ho diterima jika nilai HSD < nilai Q
Ho ditolak jika nilai HSD > nilai Q
3. Taraf nyata 𝛼 = 0,05
4. Nilai kontrasnya (Ci)
C1 (1 vs 2) = 𝑥̅1 − 𝑥̅2 = 9 – 7,5 = 1,5
C2 (1 vs 3) = 𝑥̅1 − 𝑥̅3 = 9 – 5,7 = 3,3
C3 (2 vs 3) = 𝑥̅2 − 𝑥̅ 3 = 7,5 – 5,7 = 1,8
5. Uji Tukey pada tiap kelompok
|𝑥̅1 − 𝑥̅2 | |9 − 7,5| 1,5
𝑄1 = = = = 5,19
0,289
√𝑅𝐽𝐾(𝐷) √0,837
𝑛 10
|𝑥̅1 − 𝑥̅3 | |9 − 5,7| 3,3
𝑄2 = = = = 11,42
0,289
√𝑅𝐽𝐾(𝐷) √0,837
𝑛 10
|𝑥̅2 − 𝑥̅3 | |7,5 − 5,7| 1,8
𝑄3 = = = = 6,23
0,289
√𝑅𝐽𝐾(𝐷) √0,837
𝑛 10
6. Tentukan nilai kritis HSD
𝑅𝐽𝐾(𝐷)
HSD = 𝑞(∝;𝑑𝑏(𝐷),𝑘) √
𝑛
13
0,837
= 𝑞(0,05;27,3) √
10
= 3,53 (0,289)
= 1,02
7. Bandingkan nilai HSD dengan nilai Q
5,19 > 1,02 = Q1 > HSD
11,42 > 1,02 = Q2 > HSD
6,23 > 1,02 = Q3 > HSD
8. Tentukan kesimpulan
Dari perhitungan di atas didapat bahwa ketiga hipotesis tolak H0 yang artinya
semua pasangan rata-rata berbeda signifikan atau 𝜇1 ≠ 𝜇2 ≠ 𝜇3
Uji Scheffe
Uji Scheffe digunakan untuk menguji dua buah rata-rata secara berpasangan dan
perbedaan antara kombinasi rata-rata yang kompleks. Uji ini cocok untuk membuat
sembarang perbandingan yang melibatakan sekelompok mean. Perhitungan untuk tes scheefe
adalah sangat sederhana dan ukuran sampel tidak harus sama.
i : data ke - 1, 2, 3, ...
j : data ke - (i+1)
𝑥̅ : rata-rata
5. Lakukan uji Scheffe pada tiap kelompok (𝑡𝑖 )
𝑪𝒊−𝒋
𝒕𝒊−𝒋 =
√𝟐𝑹𝑱𝑲(𝑫)
𝒏
14
i : data ke - 1, 2, 3, ...
i : data ke – (i + 1)
C : kontras
RJK(D) : rata-rata jumlah kuadrat dalam kelompok
n : banyak data
𝒕𝒔 = √(𝒌 − 𝟏)𝑭(∝;𝒌−𝟏,𝒅𝒃(𝑫))
Contoh soal :
1 8 6 5
2 8 6 5
3 8 7 5
4 9 7 5
5 9 7 5
6 9 8 6
7 9 8 6
8 10 8 6
9 10 9 7
15
10 10 9 7 Total
n 10 10 10 30
∑Y 90 75 57 222
̅
𝒀 9 7,5 5,7 22,2
1. Tentukan hipotesis :
a. Ho : 𝜇1 = 𝜇2
Ha : 𝜇1 ≠ 𝜇2
b. Ho : 𝜇1 = 𝜇3
Ha : 𝜇1 ≠ 𝜇3
c. Ho : 𝜇2 = 𝜇3
Ha : 𝜇2 ≠ 𝜇3
2. Tentukan kriteria pengujian
Ho diterima jika nilai 𝑡𝑖 < nilai 𝑡𝑠
Ho ditolak jika nilai 𝑡𝑖 > nilai 𝑡𝑠
3. Tentukan taraf nyata (α)
α = 5% = 0,05
4. Tentukan nilai kontras tiap kelompok (Ci)
C1 (1 vs 2) = 𝑥̅1 − 𝑥̅2 = 9 − 7,5 = 1,5
C2 (1 vs 3) = 𝑥̅1 − 𝑥̅3 = 9 − 5,7 = 3,3
16
C3 (2 vs 3) = 𝑥̅2 − 𝑥̅3 = 7,5 − 5,7 = 1,8
5. Lakukan uji Scheffe (𝑡𝑖 )
𝐶1 1,5 1,5 1,5
𝑡1 = = = = = 3,67
√0,167 0,409
√2𝑅𝐽𝐾(𝐷) √2(0,837)
𝑛 10
𝐶2 3,3 3,3 3,3
𝑡2 = = = = = 8,07
√0,167 0,409
√2𝑅𝐽𝐾(𝐷) √2(0,837)
𝑛 10
𝐶3 1,8 1,8 1,8
𝑡3 = = = = = 4,40
√0,167 0,409
√2𝑅𝐽𝐾(𝐷) √2(0,837)
𝑛 10
6. Tentukan nilai kritis (𝑡𝑠 )
𝑡𝑠 = √(𝑘 − 1)𝐹(∝;𝑘−1,𝑑𝑏(𝐷))
= √(3 − 1)𝐹(0,05;3−1,27)
= √(2)𝐹(0,05;2,27)
= √(2)(3,35)
= √6,7
= 2,59
7. Bandingkan nilai 𝑡𝑖 dengan nilai 𝑡𝑠
3,67 > 2,59 = 𝑡1 > 𝑡𝑠
8,07 > 2,59 = 𝑡2 > 𝑡𝑠
4,40 > 2,59 = 𝑡3 > 𝑡𝑠
8. Tentukan kesimpulan
Dari perhitungan di atas didapat bahwa ketiga pasangan rata-rata berbeda signifikan
yaitu 𝜇1 ≠ 𝜇2 ≠ 𝜇3 atau Ho pada ketiga hipotesis ditolak.
17
ANOVA DUA ARAH
ANOVA
Anova merupakan kepanjangan dari Analysis of Varians yang akan dipakai jika
terdapat tiga perlakuan atau lebih yang diuji keberadaan satu dan yang lainnya. Oleh karena
itu, Anova merupakan salah satu teknik analisis multivariat.
Sesuai dengan kebutuhannya, Anova dibedakan menjadi dua yaitu Anova satu jalur
(one way Anova) dan Anova dua jalur (two way Anova). Anova satu jalur hanya
memperhitungkan dua faktor yang menimbulkan variasi, sedangkan Anova dua jalur
mempertimbangkan dua faktor yang megakibatkan terjadinya penyimpangan (depresi) dan
nilai-nilai yang dihitung dengan standar deviasi atau varians, serta menguji efektivitas
keberadaan dua buah faktor yang masing-masing faktornya terbagi atas beberapa kategori.
Oleh karena itu, Anova dua faktor merupakan Anova satu jalur yang setiap perlakuannya
dibagi menjadi beberapa kategori. Anova adalah pengujian ragam klasifikasi anova dua arah
merupakan pengujian beda tiga rata-rata atau lebih dengan dua faktor yang berpengaruh dan
pengaruh interaksi antara kedua faktor tersebut diperhitungkan.
18
7. Menentukan F tabel
8. Membuat tabel ringkasan Anova
9. Menguji hipotesis
10. Menarik kesimpulan
a. Tabel dasar
∑𝑌
∑ 𝑌2
19
2
∑𝑏
𝑖=1(𝑌𝑗)
2 (∑ 𝑌𝑡)
𝐽𝐾(𝐵) = −
𝑛𝑗 𝑛𝑡
∑(𝑌𝑖𝑗 )2 2
(∑ 𝑌𝑡 )
𝐽𝐾(𝐴𝐵) = ∑𝑎𝑏
𝑖𝑗 − − 𝐽𝐾(𝐴) − 𝐽𝐾(𝐵)
𝑛𝑖𝑗 𝑛𝑡
2
(∑ 𝑌𝑖𝑗 )
𝐽𝐾(𝐷) = ∑𝑎𝑏 2
𝑖𝑗=1( ∑ 𝑌 𝑖𝑗 − 𝑛𝑖𝑗
db (T) = nT - 1
db (B) = r - 1
db (K) = c - 1
db (A) = (r – 1)(c – 1)
db (D) = nT − rc
𝐽𝐾𝐵
RJKB = 𝑑𝑏(𝐵)
𝐽𝐾𝐾
RJKK = 𝑑𝑏(𝐾)
𝐽𝐾𝐴
RJKA = 𝑑𝑏(𝐴)
𝐽𝐾𝐷
RJKD = 𝑑𝑏(𝐷)
𝑅𝐽𝐾(𝐵)
𝑓ℎ𝑖𝑡𝑢𝑛𝑔 1 = 𝑅𝐽𝐾(𝐷)
𝑅𝐽𝐾(𝐾)
𝑓ℎ𝑖𝑡𝑢𝑛𝑔 2 = 𝑅𝐽𝐾(𝐷)
𝑅𝐽𝐾(𝐴)
𝑓ℎ𝑖𝑡𝑢𝑛𝑔 2 = 𝑅𝐽𝐾(𝐷)
𝑓𝑡 3 = 𝑓(∝;𝑑𝑏 (𝐴),𝑑𝑏(𝐷))
20
Antar baris (B) db (B) JKB RJKB 𝑓ℎ𝑖𝑡𝑢𝑛𝑔 1 𝑓𝑡 1
Contoh :
8 7
10 7
9 5
10 3
Tinggi 8 6
Konsep Diri (B)
(B1) 5 3
8 4
8 5
7 7
10 9
Rendah
7 7
(B2)
21
8 9
9 4
3 7
8 5
7 7
7 7
10 9
2 8
8 8
1. Hipotesis statistik
a. H0 : µ𝐴1 ≤ µ𝐴2
H1 : µ𝐴1 > µ𝐴2
b. H0 : µ𝐵1 ≤ µ𝐵2
H1 : µ𝐵1 > µ𝐵2
c. H0 : Interaksi 𝐴 X 𝐵 = 0
H1 : Interaksi 𝐴 X 𝐵 ≠ 0
Model Pembelajaran (A)
Jumlah
PBL (A1) Ceramah (A2)
8 7
10 7
Konsep Diri (B)
Tinggi 9 5
139
(B1) 10 3
8 6
5 3
22
8 4
8 5
7 7
10 9
7 7
8 9
9 4
3 7
Rendah 8 5
140
(B2) 7 7
7 7
10 9
2 8
8 8
n 10 10 10 10 40
ΣY 83 56 69 71 279
23
2. Menghitung JK
(∑ 𝑌𝑇)2 (279)2
JKT = ∑ 𝑌 2 𝑇 − = 2119 - = 2212 – 1946,025 = 172,975
𝑛𝑇 40
2 2
∑𝑎
𝑖=1(𝑌𝑖)
2 (∑ 𝑌𝑡) 1392 1402 (279)
JKB = − =( + ) − 40 = 1946,05 –1946,025 =
𝑛𝑖 𝑛𝑡 20 20
0,025
2 2
∑𝑏
𝑖=1(𝑌𝑗)
2 (∑ 𝑌𝑡) 1522 1272 (279)
JKK = − =( + ) − 40 = 1961,65 - 1946,025 =
𝑛𝑗 𝑛𝑡 20 20
15,625
2 2
∑(𝑌𝑖𝑗 ) (∑ 𝑌𝑡 )
JKA = ∑𝑎𝑏
𝑖𝑗 − − 𝐽𝐾(𝐵) − 𝐽𝐾(𝐾)
𝑛 𝑖𝑗 𝑛𝑡
2
832 562 692 712 (292)
JKA = ( 10 ) + ( 10 ) + ( 10 ) + ( 10 ) − 40 – 0,025 – 15,625 = 21,025
4. Menghitung RJK
𝐽𝐾𝐵 0,025
RJKB = 𝑑𝑏(𝐵) = = 0,025
1
𝐽𝐾𝐾 15,625
RJKK = 𝑑𝑏(𝐾) = = 15,625
1
𝐽𝐾𝐴 21,025
RJKA = 𝑑𝑏(𝐴) = = 21,025
1
𝐽𝐾𝐷 136,3
RJKD = 𝑑𝑏(𝐷) = = 3,786
36
5. Menghitung F hitung
𝑅𝐽𝐾(𝐵) 0,025
𝑓ℎ𝑖𝑡𝑢𝑛𝑔 1 = 𝑅𝐽𝐾(𝐷) = 3,786 = 0,01
𝑅𝐽𝐾(𝐾) 15,625
𝑓ℎ𝑖𝑡𝑢𝑛𝑔 2 = 𝑅𝐽𝐾(𝐷) = = 4,13
3,786
24
𝑅𝐽𝐾(𝐴) 21,025
𝑓ℎ𝑖𝑡𝑢𝑛𝑔 3 = 𝑅𝐽𝐾(𝐷) = = 5,55
3,786
6. Menentukan F tabel
𝑓𝑡 1 = 𝑓(∝;𝑑𝑏 (𝐵),𝑑𝑏 (𝐷)) = 𝑓(0,05;1,36) = 4,11
𝑓𝑡 2 = 𝑓(∝;𝑑𝑏 (𝐾),𝑑𝑏(𝐷)) = 𝑓(0,05;1,36) = 4,11
Ftabel
Derajat Jumlah Rerata jumlah
Sumber Varians Fhitung
bebas (db) kuadrat (JK) kuadrat (RJK) 0,05
7. Kriteria pengujian
Ho diterima jika nilai Fhitung < Ftabel
Ho ditolak jika nilai Fhitung > Ftabel
8. Kesimpulan
Karena 0,01 < 4,11 = 𝑓ℎ𝑖𝑡𝑢𝑛𝑔 1 < 𝑓𝑡 1 dimana sesuai kriteria pengujian di
atas, maka Ho diterima dan disimpulkan bahwa tidak ada perbedaan
yang mempengaruhi metode pembelajaran dengan hasil belajar
Karena 4,13 > 4,11 = 𝑓ℎ𝑖𝑡𝑢𝑛𝑔 2 > 𝑓𝑡 2 dimana sesuai kriteria pengujian di
atas, maka Ho ditolak dan disimpulkan bahwa terdapat perbedaan yang
mempengaruhi konsep diri dengan hasil belajar
Karena 𝐴 X 𝐵 ≠ 0 dimana sesuai kriteria pengujian di atas, maka Ho
ditolak dan disimpulkan terdapat interaksi antara metode pembelajaran
dan konsep diri.
Karena terdapat interaksi antara metode pembelajaran dan konsep diri, maka
perlu dilakukan uji lanjut untuk mengetahui letak interaksinya.
25
Uji Lnajut Anova Dua Arah dengan Uji t
1. Menentukan hipotesis
a. H0 : µ𝐴1𝐵1 ≤ µ𝐴2𝐵1
H1 : µ𝐴1𝐵1 > µ𝐴2𝐵1
b. H0 : µ𝐴2𝐵2 ≥ µ𝐴1𝐵2
H1 : µ𝐴2𝐵2 < µ𝐴1𝐵2
c. H0 : µ𝐴1𝐵2 ≤ µ𝐴1𝐵1
H1 : µ𝐴1𝐵2 > µ𝐴1𝐵1
d. H0 : µ𝐴2𝐵1 ≥ µ𝐴2𝐵2
H1 : µ𝐴2𝐵1 < µ𝐴2𝐵2
2. Menghitung t tiap hipotesis, dengan rumus berikut
|𝑌̅𝐴𝑖 − 𝑌̅𝐴𝑗 |
𝑡0 =
1 1
√𝑅𝐽𝐾(𝐷)(
𝑛𝑖 𝑛𝑗)
+
|8,3 − 5,6|
𝑡0 = = 2,19
√3,786( 1 + 1 )
10 10
|7,1 − 6,9|
𝑡0 = = 0,16
√3,786( 1 + 1 )
10 10
|6,9 − 8,3|
𝑡0 = = 1,14
√3,786( 1 + 1 )
10 10
26
d. Uji A2B1 dan A2B2
|5,6 − 7,1|
𝑡0 = = 1,22
√3,786( 1 + 1 )
10 10
3. Kesimpulan
a. Ho ditolak karena 2,19 > 0,47
b. Ho diterima karena 0,16 < 0,47
c. Ho ditolak karena 1,14 > 0,47
d. Ho ditolak karena 1,22 > 0,47
4. Kesimpulan
a. H0 : µ𝐴1 ≤ µ𝐴2
b. H1 : µ𝐵1 > µ𝐵2
c. H1 : Interaksi 𝐴 X 𝐵 ≠ 0
d. H1 : µ𝐴1𝐵1 > µ𝐴2𝐵1
e. H0 : µ𝐴2𝐵2 ≥ µ𝐴1𝐵2
f. H1 : µ𝐴1𝐵2 > µ𝐴1𝐵1
g. H1 : µ𝐴2𝐵1 < µ𝐴2𝐵2
27
KORELASI
KORELASI
Uji korelasi merupakan salah satu jenis statistik inferensial untuk. Upaya pengujian ini
muncul diawali dengan adanya perubahan suatu variabel yang diikuti oleh kemunculan atau
perubahan variabel yang lain, baik secara beraturan maupun tidak beraturan.
Korelasi berarti hubungan atau saling hubungan atau hubungan timbal balik. Korelasi dalam
ilmu statistik adalah hubungan antar dua variabel (bivariate correlation) dan hubungan antar
lebih dari dua variabel (multivariate correlation). Analisis korelasi sederhana (bivariate
correlation) digunakan untuk mengetahui keeratan hubungan antara dua variabel dan untuk
mengetahui arah hubungan yang terjadi. Koefisien korelasi sederhana menunjukkan seberapa
besar hubungan yang terjadi antara dua variabel. Dalam SPSS ada tiga metode korelasi
sederhana (bivariate correlation) diantaranya Pearson Correlation, Kendall’s tau-b, dan
Spearman Correlation.
Penggunaan analisis korelasional adalah untuk mengetahui tingkat hubungan antara
dua variable dimana peneliti tidak memberikan perlakuan atau treatment apa pun pada
variable bebasnya. Atau dengan kata lain analisa korelasi digunakan untuk mengukur
kekuatan keeratan hubungan antara dua variabel melalui sebuah bilangan yang disebut
koefisien korelasi.
𝑛(∑ 𝑋𝑌) − (∑ 𝑋) (∑ 𝑌)
𝑟𝑋𝑌 =
√(𝑛 ∑ 𝑋 2 − (∑ 𝑋)2 )(𝑛 ∑ 𝑌 2 − (∑ 𝑌)2
28
n = jumlah sampel
∑ 𝑋𝑌 = jumlah total data XY
∑𝑋 = jumlah total data variabel X
∑𝑌 = jumlah total data variabel Y
Nilai koefisien korelasi berada pada interval -1 sampai dengan 1 atau -1 ≤ 𝑟𝑋𝑌 ≤ 1.
Jika nilai 𝑟𝑋𝑌 = 0, dapat diinterpretasikan bahwa tidak ada korelasi atau tidak ada
hubungan antara variabel bebas (X) dengan variabel terikat (Y). Sedangkan jika nilai
koefisien 𝑟𝑋𝑌 = +1 berarti terdapat hubungan positif antara variabel X dengan Y
sebaliknya jika 𝑟𝑋𝑌 = -1 berarti terdapat hubungan negatif antara variabel independen
dan dependen. Perhatikan gambar untuk lebih jelas.
29
𝑲𝑷 = 𝒓𝑿𝒀 𝟐 𝐱 𝟏𝟎𝟎%
𝐾𝑃 = koefisien penentu
𝑟𝑋𝑌 = koefisien korelasi antara X dan Y
Sedangkan untuk menguji signifikansi koefisien korelasi antara variabel bebas (X)
dengan variabel terikat (Y) dapat ditentukan dengan uji student (uji t) dengan rumus
𝒓𝑿𝒀 √𝒏 − 𝟐
𝒕𝒉𝒊𝒕𝒖𝒏𝒈 =
√(𝟏 − 𝒓𝑿𝒀 𝟐 )
t = nilai t hitung
𝑟𝑋𝑌 = koefisien korelasi antara X dengan Y
𝑛 = jumlah sampel
Bandingkan dengan t tabel yang dapat ditentukan dengan kriteria 𝑡𝑡𝑎𝑏𝑒𝑙 (n-k;α)
dengan n adalah jumlah sampel, k adalah jumlah variabel dan α adalah derajat
kepercayaan, biasanya sebesar 5%. Perlu diperhatikan pula bahwa nilai t tabel terdiri
dari dua jenis, yaitu untuk uji satu pihak dan untuk uji dua pihak.
Contoh :
Responden Efikasi Diri (X) Motivasi Berprestasi (Y)
1 73 99
2 76 41
3 79 98
30
4 86 94
5 89 78
6 92 83
7 97 89
8 97 99
9 125 104
10 110 143
11 63 84
12 111 105
13 106 104
14 111 94
15 84 94
a. Hipotesis:
H0 : 𝑟𝑋𝑌 = 0
H1 : 𝑟𝑋𝑌 ≠ 0
31
15 84 94 7056 8836 7896
Σ 1399 1409 134573 138451 134014
𝑟𝑋𝑌 √𝑛 − 2
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 =
√(1 − 𝑟𝑋𝑌 2 )
0,52√15 − 2
=
√(1 − 0,522 )
= 2,199
e.Kesimpulan
Korelasi variable X dengan Y atau hubungan efikasi diri dan motivasi berprestasi
adalah signifikan
32
REGRESI
REGRESI SEDERHANA
Anlisis regresi diartikan sebagai suatu analisis tentang hubungan suatu variabel kepada
variabel lain, yaitu variabel bebas dalam rangka membuat estimasi atau prediksi dari nilai
rata-rata variabel terikat dengan diketahuinya nilai bariabel bebas. Secara umum, ada dua
macam hubungan antar dua atau lebih variabel , yaitu bentuk hubungan dan keeratan
hubungan. Bila ingin mengetahui bentuk hubungan dua variabel atau lebih, digunakan
analisis regresi. Bila ingin melihat keeratan hubungan, digunakan analisis korelasi. Terdapat
beberapa bentuk regresi antara variabel bebas (X) dengan variabel terikat (Y) seperti bentuk
polinom derajat satu (linier), polinom derajat dua (kuadratik), polinom derajat tiga (kubik),
dan seterusnya.
Analisis regresi sederhana tidak hanya bertujuan untuk mengukur derajat keeratan hubungan
tetapi juga menduga besarnya arah hubungan itu serta menduga besarnya variabel
dependen/variabel terikat (Y) jika nilai variabel independen/variabel bebas (X) diketahui.
Bentuk akhir dari analisis regresi linier sederhana adalah diperolehnya persamaan regresi
linier yang berbentuk ̂
Y = a + bx. Jika X satu satuan, maka Y akan naik sebesar satu kali ‘b’
satuan ditambah ‘a’ satuan.
𝑛 (∑ 𝑋𝑌) − (∑ 𝑋)(∑ 𝑌)
𝑏0 =
(𝑛(∑ 𝑋 2 ) − (∑ 𝑋)2 )
Keterangan
̂
Y : Y topi (dimaksudkan untuk membedakan antara Y ramalan) adalah hasil
pengamatan regresi/prediksi/estimasi.
𝑎0 : Intercept adalah suatu konstanta yang memungkinkan munculnya koefisien
lain di dalam persamaan regresi.
33
𝑏0 : Slope adalah koefisien regresi untuk variabel X. Yakni suatu nilai yang
menunjukkan seberapa besar kontribusi yang diberikan suatu variabel X
terhadap variabel Y.
ε1 : Error adalah semua hal yang mungkin memengaruhi variabel terikat Y, yang
tidak diamati oleh peneliti.
JKT = ∑ Y 2
a (JKa)
(∑ Y)2
JKa =
n
b/a (JK b/a)
∑X∑Y
JK b/a = b {∑ XY − }
n
Sisa (JKS)
JKS = JKT − JKa − JK b/a
Galat (JKG)
2
(∑ Yk )
JKG = {∑ Yk2 − }
n
Tuna Cocok (JKTC)
JKTC = JKS − JKG
34
db(TC) = k - 2
1.Hipotesis statistik
Ho : Y = α + β X (garis regresi linier)
H1 : Y ≠ α + β X (garis regresi tidak linier)
2.Pengujian
RJKTC
Fhitung =
RJKG
db(TC)
Ftabel = (0,05 ; )
db(G)
3.Kesimpulan
Jika Fhitung < Ftabel , maka tolak H1 terima H0 dan dengan demikian, garis regresi Y
atas X adalah linier.
1.Hipotesis statistik
Ho : β ≤ 0
H1 : β > 0
35
2.Pengujian
RJK b/a
Fhitung =
RJKS
b
db ( a )
Ftabel = (0,05 ; )
db(S)
3.Kesimpulan
Jika Fhitung < Ftabel , maka tolak H0 terima H1 dan dengan demikian, garis regresi Y
atas X adalah signifikan.
CONTOH :
36
37
38
39
40
DAFTAR PUSTAKA
I. (2004). Statistik : Konsep Dasar, Aplikasi, dan Pengembangannya. Jakarta: Prenadamedia Group.
Riadi, E. (2016). Statistika Penleitian: Analisis Manual dan IBM SPSS. Yogyakarta: Andi.Agus.
41