You are on page 1of 23

S1 Teknik Perkapalan

BAB I
PENDAHULUAN
1.1.

LATAR BELAKANG
Analisis jalur yang dikenal dengan path analysis dikembangkan pertama

pada tahun 1920-an oleh seorang ahli genetika yaitu Sewall Wright (Joreskog
dan Sorbom, 1996; Johnson dan Wichern, 1992). Teknik analisis jalur
sebenarnya merupakan perkembangan korelasi yang diuraikan menjadi
beberapa interpretasi akibat yang ditimbulkannya. Lebih lanjut, analisis jalur
mempunyai kedekatan dengan regresi berganda. Dengan kata lain, regresi
berganda merupakan bentuk khusus dari analisis jalur. Teknik ini juga dikenal
sebagai model sebab akibat (causing modeling). Penanaman ini didasarkan
pada alas an bahwa analisis jalur memungkinkan pengguna dapat menguji
proposisi teoritis mengenai hubungan sebab akibat tanpa memanipulasi
variabel-variabel (Sarwono, 2007).
Manova mempunyai pengertian sebagai suatu teknik statistik yang
digunakan untuk menghitung pengujian signifikansi perbedaan rata-rata secara
bersamaan antara kelompok untuk dua atau lebih variable tergantung. Teknik
ini bermanfaat untuk menganalisis variable-variabel tergantung lebih dari dua
yang berskala interval atau rasio.
Dalam SPSS prosedur

MANOVA disebut juga GLM Multivariat

digunakan untuk menghitung analisis regresi dan varians untuk variabel
tergantung lebih dari satu dengan menggunakan satu atau lebih variabel faktor
atau covariates. Variabel - variabel faktor digunakan untuk membagi populasi
kedalam kelompok-kelompok. Dengan menggunakan prosedurgeneral linear
model ini, kita dapat melakukan uji H0 mengenai pengaruh variabel-variabel
faktor terhadap rata-rata berbagai kelompok distribusi gabungan semua
variabel tergantung. Kita dapat meneliti interakasi antara faktor-faktor dan
efek dari faktor-faktor individu. Lebih lanjut, efek-efek covariates dan interaksi
antar covariate dengan semua faktor dapat dimasukkan. Dalam analisis regresi,
variabel bebas atau predictor dispesifikasi sebagai covariates

1

S1 Teknik Perkapalan
Sebagai contoh: Suatu perusahaan plastik mengukur tiga ciri khusus filem
plastik: daya tahan tidak sobek, kehalusan, dan kapasitas. Dua tingkat ekstrusi
dan dua zat aditif yang berbeda diujicobakan. Kemudian ketiga karakteristik
tersebut diukur dengan menggunakan kombinasi tingkatan ekstrusi dan jumlah
aditif masing-masing. Penelitian menemukan bahwa tingkat ekstrusi dan
jumlah zat aditif masing-masing memberikan hasil yang signifikan, tetapi
interaksi kedua faktor tidak signifikan
Di dalam makalah ini kita akan membahas tentang pengertian analisis jalur
dan manova, hal-hal yang harus diperhatikan dalam menganalisa agar dapat
menjadi pengetahuan bagi kita semua.
1.2.

RUMUSAN MASALAH
Berdasarkan uraian latar belakang yang telah dipaparkan di atas, penulis

mencoba menguraikan beberapa masalah pokok yang berkaitan dengan materi
dalam makalah ini, yaitu:
1) Apa pengertian analisis jalur ?
2) Bagaimana sejarah analisis jalur?
3) Apa tujuan analisis jalur ?
4) Apa pengertian manova ?
5) Apa tujuan analisis manova ?

1.3.

TUJUAN PENULISAN
Tujuan utama yang ingin dicapai dalam tugas ini adalah untuk mengenal

software ansys.
Adapun tujuan yang akan dicapai dalam tugas ini adalah :
1) Memahami pengertian analisis jalur

2

S1 Teknik Perkapalan
2) Mengetahui sejarah analisis jalur
3) Mengetahui tujuan analisis jalur
4) Mengetahui pengertian manova
5) Mengetahui tujuan analisis manova

1.4.

MANFAAT PENULISAN

Tugas ini dimaksudkan untuk memberikan jawaban atas masalah pokok
tentang spss. Manfaat yang dapat diperoleh dari tugas tersebut adalah:
1) Dapat mengenal software spss dalam hal analisis jalur dan manova
2) Dapat digunakan sebagai pembelajaran.
3) Dapat mempelajari materi baru yang belum pernah diajarkan
sebelumnya.

3

S1 Teknik Perkapalan
BAB II
PEMBAHASAN

2.1. SEJARAH ANALISI JALUR
Bagaimana sejarah perkembangan analisis jalur ? Teknik analisis jalur,
yang dikembangkan oleh Sewal Wright di tahun 1934, sebenarnya merupakan
pengembangan korelasi yang diurai menjadi beberapa interpretasi akibat yang
ditimbulkannya. Lebih lanjut, analisis jalur mempunyai kedekatan dengan regresi
berganda; atau dengan kata lain, regresi berganda merupakan bentuk khusus dari
analisis jalur. Teknik ini juga dikenal sebagai model sebab-akibat (causing
modeling). Penamaan ini didasarkan pada alasan yang bahwa analisis jalur
memungkinkan pengguna dapat menguji proposisi teoritis mengenai hubungan
sebab dan akibat tanpa memanipulasi variabel-variabel. Memanipulasi variabel
maksudnya ialah memberikan perlakuan (treatment) terhadap variabel-variabel
tertentu dalam pengukurannya. Asumsi dasar model ini ialah beberapa variabel
sebenarnya mempunyai hubungan yang sangat dekat satu dengan lainnya. Dalam
perkembangannya saat ini analisis jalur diperluas dan diperdalam kedalam bentuk
analisis “Structural Equation Modeling” atau dikenal dengan singkatan SEM.

2.2. PENGERTIAN ANALISIS JALUR
Analisis Jalur digunakan untuk mengetahui apakah data mendukung teori,
yang secara a-priori dihipotesiskan, yang mencakup kaitan structural antar
variabel terukur.
Analisis Jalur atau yang lebih dikenal luas sebagai Path Analysis
merupakan suatu metode pendekomposisian korelasi kedalam bagian-bagian yang
berbeda untuk menginterpretasikan suatu pengaruh (effect).

4

S1 Teknik Perkapalan
Dalam analisis jalur yang distandarkan korelasi dapat dipecah kedalam
komponen-komponen

struktural

(kausal)

dan

nonstruktural

(nonkausal)

didasarkan teori yang dinyatakan dalam diagram jalur.
2.3 KARAKTERISTIK ANALISIS JALUR
1.

Model jalur. Model jalur ialah suatu diagram yang menghubungkan
antara variabel bebas, perantara dan tergantung. Pola hubungan ditunjukkan
dengan menggunakan anak panah. Anak panah-anak panah tunggal
menunjukkan hubungan sebab–akibat antara variabel-variabelexogenous atau
perantara dengan satu variabel tergantung atau lebih. Anak panah juga
menghubungkan

kesalahan (variabel

variabel endogenous masing-masing.

Anak

residue) dengan
panah

ganda

semua

menunjukkan

korelasi antara pasangan variabel-variabel exogenous.
2.

Jalur penyebab untuk suatu variabel yang diberikan meliputi pertama
jalur-jalur arah dari anak-anak panah menuju ke variabel tersebut dan kedua
jalur-jalur korelasi dari semua variabelendogenous yang dikorelasikan dengan
variabel-variabel yang lain yang mempunyai anak panah-anak panah menuju
ke variabel yang sudah ada tersebut.

3.

Variabel exogenous. Variabel – variabel exogenous dalam suatu model
jalur ialah semua variabel yang tidak ada penyebab-penyebab eskplisitnya
atau dalam diagram tidak ada anak-anak panah yang menuju kearahnya,
selain

pada

bagian

kesalahan

pengukuran.

Jika

antara

variabel exogenous dikorelasikan maka korelasi tersebut ditunjukkan dengan
anak panah dengan kepala dua yang menghubungkan variabel-variabel
tersebut. Dalam istilah lain, dapat disebut pula sebagai independen variabel.
4.

Variabel endogenous.

Variabel endogenous ialah

variabel

yang

mempunyai anak-anak panah menuju kearah variabel tersebut. Variabel yang
termasuk didalamnya ialah mencakup semua variabel perantara dan
tergantung. Variabel perantara endogenous mempunyai anak panah yang
menuju kearahnya dan dari arah variabel tersebut dalam sutau model diagram
jalur. Sedang variabel tergantung hanya mempunyai anak panah yang menuju
kearahnya. Atau dapat disebut juga sebagai variabel dependen.
5

S1 Teknik Perkapalan
5.

Koefesien jalur / pembobotan jalur. Koefesien jalur adalah koefesien
regresi standar atau disebut ‘beta’ yang menunjukkan pengaruh langsung dari
suatu variabel bebas terhadap variabel tergantung dalam suatu model jalur
tertentu. Oleh karena itu, jika suatu model mempunyai dua atau lebih
variabel-variabel penyebab, maka koefesien-koefesien jalurnya merupakan
koefesien-koefesien regresi parsial yang mengukur besarnya pengaruh satu
variabel terhadap variabel lain dalam suatu model jalur tertentu yang
mengontrol dua variabel lain sebelumnya dengan menggunakan data yang
sudah distandarkan atau matriks korelasi sebagai masukan.

6.

Variabel Laten dapat didefinisikan sebagai variabel penyebab yang tidak
dapat diobservasi secara langsung (unobservable). Pengamatan variabel
tersebut diamati melalui variabel manifesnya. Variabel manifest adalah
variabel indicator terukur yang dapat diobservasi secara langsung untuk
mengukur variabel laten. Contoh : variabel laten motivasi. Tidak bisa
diobservasi secara langsung, namun melalui variabel manifesnya (indicator)
seperti kerja keras, pantang penyerah, tekun, teliti, dll.

7.

Variabel Mediator / Intervening dan Moderator

2.4 DIAGRAM JALUR (PATH DIAGRAM)
Langkah pertama analisis jalur adalah menterjemahkan hipotesis penelitian
yang bentuknya proposisional ke dalam bentuk diagram yang disebut diagram
jalur.
Pada saat menggambarkan diagram jalur ada beberapa perjanjian :
1. Hubungan antar variabel digambarkan oleh anak panah yang bisa berkepala
tunggal () atau single headed arrow, dan berkepala dua () atau double
headed arrow.
2. Panah berkepala satu menunjukkan pengaruh dari sebuah variabel eksogen
terhadap sebuah variabel endogen. Misalkan :
X1

X2

3. Panah berkepala dua menggambarkan hubungan korelatif antar variabel
eksogen. Misalkan :
X1

X2
6

S1 Teknik Perkapalan
4. Tidak pernah seseorang bisa mengisolasi hubungan pengaruh secara murni
artinya bahwa sesuatu kejadian banyak sekali yang mempengaruhinya, tetapi
pada conceptual framework hanya dapat digambarkan beberapa pengaruh
yang bisa diamati. Variabel lainnya yang tidak bisa digambarkan (tidak bisa
diukur) diperlihatkan oleh suatu variabel tertentu yang disebut residu dan
diberi simbol dengan .
Contoh :
1)


p2
p21
X1

X2

Diagram jalur ini adalah diagram jalur yang paling sederhana. Besarnya
pengaruh langsung dari X1 ke X2 diperlihatkan oleh koefisien jalur (path
coefficient, p). Apabila diagram jalur sederhana seperti ini yaitu variabel
eksogen hanya satu, maka p21 = r21

2)

Contoh diagram jalur yang melibatkan kaitan korelatif :


p3
X1

p31

r12

X3
P32
X2

X1 dan X2 merupakan dua buah variabel eksogen yang satu dengan yang
lainnya mempunyai kaitan korelatif. Secara bersama-sama X1 dan X2
mempengaruhi X3.

7

S1 Teknik Perkapalan
3)

Penelitian mengenai hubungan kausal melibatkan empat buah variabel X 1,
X2, X3, dan X4. Menurut teori, hubungan struktural antara variabel-variabel
tersebut adalah :
(a) X3 dipengaruhi oleh X1 dan X2
(b) antara X1 dan X2 terdapat hubungan korelatif
(c) X4 dipengaruhi oleh X3.
Diagram jalur dari hubungan variabel-variabel tersebut adalah :

1

2

p31
X1

p42

p31

r12

p43

P32

X3

X4

X2
Contoh diagram jalur yang tidak melibatkan kaitan korelatif :
4)

Seorang peneliti mempunyai empat variabel X1, X2, X3 dan X4 yang
menurut kerangka konseptual terdapat hubungan sebagai berikut :
a) X2 dipengaruhi oleh X1
b) X3 dipengaruhi oleh X1 dan X2
c) X4 dipengaruhi oleh X3 dan X2
Hubungan antar variabel dapat dinyatakan dalam diagram jalur sebagai
berikut.

2
p32
p31
X1
p21

X3
p32

3
p43
p43

p42
X2

X4

8

S1 Teknik Perkapalan
P21
1
Contoh :
Penelitian melibatkan tiga buah variabel X1, X2 dan X3 untuk mengungkapkan
hubungan antara ke tiga variabel ini. Peneliti mempunyai proposisi hipotetik
bahwa antara X1 dan X2 terdapat kaitan korelasional, dan bahwa keduanya secara
bersama-sama mempengaruhi X3.
Data hasil pengukuran (dalam skala pengukuran interval) melalui sampel acak
berukuran 15 adalah sebagai berikut :
X3
205
206
254
246
201
291
234
209
204
216
245
286
312
265
322

X1
26
28
35
31
21
49
30
30
24
31
32
47
54
40
42

9

X2
159
164
198
184
150
208
184
154
149
175
192
201
248
166
287

S1 Teknik Perkapalan
Analisis :
Regression
Descriptive Statistics
Mean
246,4000
34,6667
187,9333

X3
X1
X2

Std. Deviation
41,11274
9,67815
38,08724

N
15
15
15

Correlations
Pearson Correlation

Sig. (1-tailed)

N

X3
1,000
,916
,901
.
,000
,000
15
15
15

X3
X1
X2
X3
X1
X2
X3
X1
X2

X1
,916
1,000
,735
,000
.
,001
15
15
15

X2
,901
,735
1,000
,000
,001
.
15
15
15

Variables Entered/Removedb
Model
1

Variables
Entered
X2, X1a

Variables
Removed

Method
Enter

.

a. All requested variables entered.
b. Dependent Variable: X3

Model Summary
Model
1

R
,976a

R Square
,952

Adjusted
R Square
,944

Std. Error of
the Estimate
9,75663

a. Predictors: (Constant), X2, X1
ANOVAb
Model
1

Regression
Residual
Total

Sum of
Squares
22521,299
1142,301
23663,600

df
2
12
14

a. Predictors: (Constant), X2, X1
b. Dependent Variable: X3

10

Mean Square
11260,649
95,192

F
118,294

Sig.
,000a

S1 Teknik Perkapalan
Coefficientsa

Model
1

(Constant)
X1
X2

Unstandardized
Coefficients
B
Std. Error
64,639
13,112
2,342
,398
,535
,101

Standardized
Coefficients
Beta
,551
,496

t
4,930
5,892
5,297

Sig.
,000
,000
,000

a. Dependent Variable: X3

Proposisi hipotetik yang diajukan oleh peneliti bisa diterjemahkan kedalam
Diagram Jalur seperti di bawah ini :


p3
X1

p31

r12

X3
P32
X2

Diagram jalur ini terdapat dua buah variabel eksogen X1 dan X2, serta sebuah
variabel endogen, yaitu X3.
Bentuk persamaan struktural untuk diagram jalur di atas :
X3 = 0,551 X1 + 0,496 X2 + 
Model ini signifikan karena nilai p-value = 0,000 lebih kecil dari α
Koefisien jalur :
p31 = 0,551 , karena p-value = 0,000 lebih kecil dari α, koefisien jalur ini
signifikan
p32 = 0,496 , karena p-value = 0,000 lebih kecil dari α, koefisien jalur ini
signifikan

1  0,952
p3 =
=
= 0,219
.
Hubungan struktural antara X1 , X2 dan X3 :
1 R2


0,219

X1

0,551

X3

0,735

11

S1 Teknik Perkapalan
0,496

X2
Interpretasi
Pengaruh langsung dari X1 terhadap X3 = (0,551)(0,916) = 0.50416
Pengaruh langsung dari X2 terhadap X3 = (0,496)(0,901) = 0.446896
2.5 PENGERTIAN MANOVA
MANOVA (Multivariate Analysis of Variance) merupakan perluasan dari
ANOVA (Analysis of Variance) yang secara luas sudah lama digunakan pada
berbagai bidang ilmu. MANOVA bermanfaat dalam eksperimen. Yang jelas teknik
ini bermanfaat kalau objek penelitian mengalami sejumlah perlakuan. Kemudian,
peneliti ingin menguji varian respons berdasarkan perlakuan yang dibuat. Dengan
demikian,

pemahaman

tentang

ANOVA akan

memudahkan

memahami

MANOVA. Secara teknis MANOVA dapat diartikan sebagai metode statistic
untuk mengeksplorasi hubungan diantara beberapa variable independen yang
berjenis kategorikal dengan beberapa variable dependen yang berjenis metrik.
Dari beberapa penjelasan diatas , terlihat ada dua kelompok variable; pertama
adalah variable independen yang berjenis kategori atau non metric (bisa data
nominal atau ordinal), dan kedua adalah variable dependen yang berjenis metrik
(bisa data interval atau rasio)
Jika pada analisis ANOVA yang sederhana, ada satu dependen variable dan
satu grup, missal apakah rata-rata penjualan (variable dependen) berbeda secara
nyata untuk tiap daerah penjualan (grups/variable independen). Maka pada
MANOVA, ada variasi-variasi, yaitu:
1.

Variable dependen lebih dari satu, tapi grup tetap. Seperti apakah rata-rata

penjualan dan perpepsi konsumen (dua variable dependen) berbeda secara nyata
untuk tiap daerah penjualan (satu grups/variable independen)
2.

Variable dependen satu, tetapi grups lebih dari satu. Seperti apakah rata-rata

penjualan (satu variable dependen) berbeda secara nyata untuk tiap daerah
penjualan dan rasa roti yang dijual (dua grups).
3.

Variable dependen lebih dari satu, dan grups juga lebih dari satu. Seperti

apakahrata-rata penjualan dan perpepsi konsumen (dua variable dependen)

12

S1 Teknik Perkapalan
berbeda secara nyata untuk tiap daerah penjualan dan rasa roti yang dijual (dua
grups).
Sebagai contoh, ada tiga grup orang ditinjau dari kecerdasannya, yakni
grup PANDAI, grup NORMAL, dan grup BODOH. Grup inilah yang disebut
variable independen pada MANOVA. Tujuan analisis adalah ingin mengetahui
apakah ada perbedaan yang nyata antara orang yang dikelompokkan sebagai
PANDAI, NORMAL, dan BODOH? Jika dirinci, analisis bertujuan untuk
menguji:
1.

Apakah orang PANDAI berbeda dengan orang BODOH?

2.

Apakah orang NORMAL berbeda dengan orang BODOH?

3.

Apakah orang PANDAI berbeda dengan orang NORMAL?
Secara logika tentu akan dinyatakan dengan ukuran apakah perbeaan itu

akan diukur? Seandainya kmudian akan disepakatisejumlah variable untuk
mengukur seorang dapat dimasukkan dalam kategor, orang PANDAI, orang
NORMAL atau orang BODOH; variable-variabel itu adalah jumlah jam belajar,
banyaknya makanan bergizi untuk seseorang, jumlah jam tidur, dan sebagainya.
Variable-variabel itu pengukur itu dinamakan variable dependen, karena jika
seorang masuk ke grup PANDAI, maka jam tidurnya sekian jam, jika masuk ke
grup NORMAL, jam tidurnya akan sekian dan seterusnya. Di sini variablevariabel dependen tersebut adalah bertipe metric, seperti jumlah jam tidur (bisa
dua jam, sepuluh jam), atau jumlah gizi yang diasup seseorang (bisa sekian ribu
kalori per hari)
Langkah selanjutnya adalah menganalisis apakah (missal) jumlah jam
belajar mereka yang PANDAI berbeda dengan mereka yang NORMAL atau yang
BODOH? Apakah makanan bergizi untuk mereka yang PANDAI berbeda dengan
mereka yang NORMAL atau yang BODOH? Dan seterusnya. Jika memeng
berbeda secara signifikan, dikatakan memeng orang PANDAI berbeda dengan
mereka yang NORMAL, orang NORMAL berbeda dengan mereka yang BODOH,
dan seterusnya. Jika tidak berbeda secara signifikan, berarti jika diukur dengan
jumlah jam belajar, makanan bergiizi dan sebagainya, mereka yang tergolong
PANDAI, NORMAL atau BODOH sesungguhnya sama saja

13

S1 Teknik Perkapalan

2.6 TUJUAN ANALISIS MANOVA
Pada dasarnya, tujuan MANOVA sama dengan ANOVA, yakni ingin
mengetahui apakah ada perbedaan yang nyata pada variable-variabel dependen
antar anggota variable independen.
Pada umumnya, untuk setiap grup sebaiknya ada 20 kasus (20 baris pada
terminology SPSS). Sebagai contoh, jika ada tiga grup (PANDAI, NORMAL dan
BODOH), sebaiknya ada 60 sampel
Proses Dasar MANOVA
Proses MANOVA sebenarnya sederhana, dengan proses dasar:
1. Menguji asumsi-asumsi pada MANOVA
2. Menguji perbedaan antara variable independen atau grup (inti dari
MANOVA)
3. Interpretasi output serta proses validasi hasil
Asumsi pada MANOVA
1.

Adanya indenpendensi antara anggota grup. Sebagai contoh, jika ada grup
REMAJA dan grup DEWASA, maka seharusnya pendapat remaja akan
sesuatu tidak berkolerasi atau tidak ada hubungannya dengan pendapat orang
dewasa tentang hal yang sama.

2.

Kesamaan matrik kovarians antara grup pada variable dependen. Terkait
dengan contoh sebelumnya, jika diukur tinggi badan seseorang, maka matrik
kovarians pada grup Remaja seharusnya sama dengan matrik kovarians pada
grup Dewasa. Pada umumnya jika jumlah sampel untuk tiap grup sama, jika
matrik kovarians tidak sama, dampak karena ketidaksamaan kovarians akan
minimal

3.

Variable-variabel dependen seharusnya berdistribusi normal (normalitas
pada dependen variable). Karena pada MANOVA jumlah variable dependen
lebih dari satu, maka pengukuran normalitas adalah untuk multivariate. Dan
karena pengukuran normalitas untuk multivariate sulit dilakukan, maka bisa
diasumsi bahwa jika masing-masing variable dependen sudah berdistribusi

14

S1 Teknik Perkapalan
normal atau mendekati normal, maka kumpulan variable dependen (sebagai
variat) juga akan berdistribusi normal.
4.

Antar variable dependen seharusnya tidak terjadi korelasi yang kuat, atau
dikatakan terjadi multikolinieritas.

5.

MANOVA cukup sensitive terhadap keberadaan data yang bernilai sangat
ekstrem (outlier). Karena itu, data terlebihb dahulu perlu dideteksi apakah
mengandung outlier atau kah tidak

Analisis Variansi Multivariat (MANOVA)
Pada kasus multivariat, analisis sebagai perluasan dari Analisis Variansi
disebut Analisis Variansi Multivariat merupakan teknik analisis data tentang
perbedaan pengaruh beberapa variabel independen dalam skala nominal terhadap
sekelompok variabel dependen dalam skala rasio. Skala nominal adalah tingkat
mengkategorikan obyek yang diteliti dengan angka yang diberikan pada obyek
mempunyai arti sebagai label saja, sedangkan skala rasio adalah ukuran nilai
absolute pada objek yang akan diteliti dan mempunyai nilai nol (0). Menurut
Suryanto (1988: 86) analisis variansi itu disebut Analisis Variansi Multivariat
(MANOVA).
Pada kasus multivariat, misal terdapat sekumpulan sampel acak
yang diambil dari setiap g populasi sebagai berikut:
Populasi 1 :

X 11 , X 12 , … , X 1 n

Populasi 2 :

X 21 , X 22 , … , X 2 n

Populasi g :

Xg1 , Xg2 , … , Xgn

1

2

g

terdapat tiga asumsi dasar yang diperlukan oleh sekumpulan sampel acak di
atas, yaitu:
1.

X 11 , X 12 , … , X 1 n , (l = 1, 2, … ,g) adalah sampel acak berukuran
l

dari suatu populasi dengan rata - rata

μl .

2. Matriks kovariansi antara g populasi sama.
3. Setiap populasi adalah normal multivariat.
15

nl

S1 Teknik Perkapalan
Sebelum dilakukan analisis variansi multivariat lebih lanjut,
terlebih dahulu akan diuji ketiga asumsi-asumsi dasar tersebut menyatakan bahwa
X 11 , X 12 , … , X 1 n , (l = 1, 2, … ,g) merupakan

dari sekumpulan data multivariat

l

sampel acak berukuran n1 yang diambil dari suatu populasi dengan vektor rataμl

rata

dan saling bebas. Pernyataan ini adalah jelas tanpa perlu diuji karena

untuk tujuan uji perbedaan maka sekumpulan data multivariat dari setiap populasi
harus diambil secara acak dan saling bebas satu sama lain.
1. Uji Homogenitas Matriks
Statistika uji diperlukan untuk menguji homogenitas matriks
H 0 :∑ 1=∑ 2=…=∑g=∑0

varians-kovarians dengan hipotesis
paling sedikit satu diantara sepasang

∑l

dan

H1:

ada

yang tidak sama. Jika dari masing-

masing populasi diambil sampel acak berukuran n yang saling bebas maka
penduga tak bias untuk

∑l

adalah matriks

Sl

sedangkan untuk

∑0

penduga tak biasnya adalah S,
g

g

1
S= ∑ ( nl−1 ) Sl dengan N=∑ n l−g
N l=1
l=1
Untuk menguji hipotesis di atas dengan tingkat signifikansi α, digunakan
kriteria uji berikut:
−1

H0

ditolak jika

MC−1 ≤ χ 21

( 2 (g −1 ) p ( p+1 ))

(α )

MC > χ

2
1
( g −1 ) p ( p+1)
2

(

dengan

g

g

l=1

l=1

M =∑ ( nl−1 ) ln |S|−∑ ( nl −1 ) ln |S l|

16

)

(α )

dan

H0

diterima jika

S1 Teknik Perkapalan
C−1=1−

2

2 p +3 p−1
6 ( p+1 )( g−1 )

(

g


l=1

1

( nl−1 )

1
g

∑ ( nl−1 )
l=1

)

Dengan bantuan program SPSS, uji homogenitas matriks varianskovarians dapat dilakukan dengan Uji Box’s M. Jika nilai sig. > α, maka H0
diterima sehingga dapat disimpulkan matriks varians-kovarians dari l-populasi
adalah sama atau homogen. Adapun langkah-langkah uji homogenitas varianskovarians menggunakan program SPSS 16 adalah sebagai berikut:
a. Dari worksheet, entry data dilakukan melalui Variable View dan Data
View.
b. Dari menu utama SPSS dipilih menu Analyze, kemudian submenu
General Linear Mode dipilih Multivariat.
c. Setelah tampak dilayar tampilan window Multivariat, kemudian
melakukan entry variabel-variabel yang sesuai pada kotak Dependent
Variables dan Fixed Factor(s).
d. Selanjutnya Option dipilih Homogenitas test dan Continue, terakhir
OK.
2. Uji Normalitas Multivariat
Metode

statistika

multivariat

MANOVA

terpenuhinya asumsi distribusi normalitas dengan hipotesis adalah
H1:

berdistribusi normal multivariat dan

multivariat. Berdasarkan Teorema 2.2, jika
multivariat maka

( X −μ )t ∑−1 ( X−μ )

mensyaratkan
H0:

Data

Data tidak berdistribusi normal
X 1 , X 2 ,… . , X p berdistribusi normal

berditribusi

2

χ p . Berdasarkan sifat ini

maka pemeriksaan distribusi normal multivariat dapat dilakukan pada setiap
populasi dengan cara membuat

q-q plot

t
´ ) ,i=1,2, … , n .
d 2i =( X i− X´ ) S−1 ( X i− X

〱(i)
17

atau scatter-plot dari nilai

S1 Teknik Perkapalan
Tahapan dari pembuatan q-q plot ini adalah sebagai berikut
(Johnson & Wichern, 2002: 187)
a) Mulai
b) Tentukan nilai vektor rata-rata:

c) Tentukan nilai matriks varians-kovarians: S
d) Tentukan nilai jarak mahalanobis atau kuadrat general setiap titik
pengamatan

dengan

vektor

rata-ratanya

t −1
2
´ ) ,i=1,2, … , n .
d i =( X i− X´ ) S ( X i− X
2
2
2
2
2
e) Urutkan nilai d ⚪ dari kecil ke besar: d (1) ≤ d(2) ≤ d(3) ≤… ≤ d (n ) .

pi=

f) Tentukan nilai

i−1/2
, i=1, 2,… , n .
n
qi

g) Tentukan nilai

((

qi

qi , p ( p i )= χ 2p n−i+

sedemikian hingga

) )

1
/n
2

∫ f ( χ 2 ) d χ 2= pi
−∞

atau

.

2
h) Buat scatter-plot d (i) dengan qi

i) Jika scatter-plot ini cenderung membentuk garis lurus dan lebih dari
50% nilai

d 2i ≤ χ 2p ( 0,50 ) , maka

H0

diterima artinya data

berdistribusi normal multivariat.
j) Selesai
Implementasi pembuatan q-q plot dari nilai
i=1, 2,… , n

t
´ ),
d 2i =( X i− X´ ) S−1 ( X i− X

dalam macro MINITAB disajikan pada Lampiran 4 halaman 59.
Pada Analisis Variansi Univariat, keputusan dibuat berdasarkan

satu statistika uji yaitu uji F yang nilainya ditentukan oleh hasil bagi dari dua ratarata jumlah kuadrat, sebagai taksiran hasil bagi taksiran variansi-variansi yang

18

S1 Teknik Perkapalan
bersangkutan. Pada Analisis Variansi Multivariat ada beberapa statistik uji yang
dapat digunakan untuk membuat keputusan, yaitu: (Kattree & Naik, 2000: 66)
a) Pillai’s Trace. Statistik uji ini paling cocok digunakan jika asumsi
homogenitas matriks varians-kovarians tidak dipenuhi, ukuran-ukuran
sampel kecil, dan jika hasil-hasil dari pengujian bertentangan satu sama
lain yaitu jika ada beberapa vektor rata-rata yang bereda sedang yang lain
tidak. Semakin tinggi nilai statistik Pillai’s Trace, pengaruh terhadap
model semakin besar. Statistik uji Pilllai’s Trace dirumuskan sebagai:
p

P=∑
i=1

λi
|B|
=tr λi ( 1+ λi )−1=tr
(3−1)
1+ λi
|B+W |

( )

λ1 , λ2 , … , λ p adalah akar-akar karakteristik dari ( W )−1 ( B ) .

dimana

( W ) = matriks varians-kovarians galat pada MANOVA
(B )

= matriks varians-kovarians perlakuan pada MANOVA

b) Wilk’s Lambda. Statistik uji digunakan jika terdapat lebih dari dua
kelompok variabel independen dan asumsi homogenitas matriks varianskovarians dipenuhi. Semakin rendah nilai statistik Wilk’s Lambda,
pengaruh terhadap model semakin besar. Nilai Wilk’s Lambda berkisar
antara 0-1. Statistik uji Wilk’s Lambda dirumuskan sebagai:
p

U=∏ ( 1+ λ i)−1=
i=1

|W |

|B+W |

(3−2)

c) Hotelling’s Trace. Statistik uji ini cocok digunakan jika hanya terdapat dua
kelompok variabel independen. Semakin tinggi nilai statistik Hotelling’s
Trace, pengaruh terhadap model semakin besar. Nilai Hotelling’s Trace >
Pillai’s Trace. Statistik uji Hotelling’s dirumuskan sebagai:
p

T =∑ λi =tr λi =tr ( W ) ( B ) (3−3)
−1

i=1

d) Roy’s Largest Root. Statistik uji ini hanya digunakan jika asumsi
homogenitas varians-kovarians dipenuhi. Semakin tinggi nilai statistik
Roy’s Largest Root, pengaruh terhadap model semakin besar. Nilai Roy’s
Largest Root > Hotelling’s Trace > Pillai’s Trace. Dalam hal pelanggaran

19

S1 Teknik Perkapalan
asumsi normalitas multivariat, statistik ini kurang robust (kekar)
dibandingkan dengan statistik uji yang lainnya. Statistik uji Roy’s Largest
Root dirumuskan sebagai:
R= λmaks=maks ( λ 1 , λ 2 , … , λ p ) ( 3−4)
¿ akar karakteristik maksimum dari ( W )−1 ( B )

BAB III
PENUTUP
3.1 KESIMPULAN

20

S1 Teknik Perkapalan
Analisis jalur yang dikenal dengan path analysis dikembangkan pertama pada
tahun 1920-an oleh seorang ahli genetika yaitu Sewall Wright (Joreskog dan
Sorbom, 1996; Johnson dan Wichern, 1992).
MANOVA dapat diartikan sebagai metode statistic untuk mengeksplorasi
hubungan diantara beberapa variable independen yang berjenis kategorikal
dengan beberapa variable dependen yang berjenis metrik.
Analisis pada MANOVA, ada variasi-variasi, yaitu:
1.

Variable dependen lebih dari satu, tapi grup tetap. Seperti apakah rata-rata

penjualan dan perpepsi konsumen (dua variable dependen) berbeda secara nyata
untuk tiap daerah penjualan (satu grups/variable independen)
2.

Variable dependen satu, tetapi grups lebih dari satu. Seperti apakah rata-rata

penjualan (satu variable dependen) berbeda secara nyata untuk tiap daerah
penjualan dan rasa roti yang dijual (dua grups).
3.

Variable dependen lebih dari satu, dan grups juga lebih dari satu. Seperti

apakahrata-rata penjualan dan perpepsi konsumen (dua variable dependen)
berbeda secara nyata untuk tiap daerah penjualan dan rasa roti yang dijual (dua
grups).
Pada dasarnya, tujuan MANOVA sama dengan ANOVA, yakni ingin mengetahui
apakah ada perbedaan yang nyata pada variable-variabel dependen antar anggota
variable independen.
Proses MANOVA sebenarnya sederhana, dengan proses dasar:
1.

Menguji asumsi-asumsi pada MANOVA

2.

Menguji perbedaan antara variable independen atau grup (inti dari

MANOVA)
3.

Interpretasi output serta proses validasi hasil

3.2 SARAN

21

S1 Teknik Perkapalan
Setelah saya mengetahui tentang apa itu software SPSS, bagaimana
analisis jalur dan manova, dan hal – hal apa saja yang harus diperhatikan, maka
saya berharap semoga makalah ini dapat berguna bagi pembaca.
Untuk lebih memahami semua tentang SPSS disarankan, mempelajari dan
memperbanyak latihan dalam menganalisis suatu benda.
Makalah ini jauh dari kata sempurna, maka saya sebagai penulis
mengharapkan kritikkan yang bersifat membangun dari pembaca.

DAFTAR PUSTAKA

22

S1 Teknik Perkapalan
Santoso, Singgih. 2010. Statistik Multivariat Konsep Dan Aplikasi Dengan
SPSS. Jakarta: PT Elex Media Komputindo.
-----------------------.2010. Statistic Parametrik Konsep Dan Aplikasi Dengan
SPSS. Jakarta: PT Elex media komputindo.
Simamora, Bilson. 2004. Analisis Multivariat Pemasaran. Jakarta: Gramedia
Pustaka Utama.
http://www.jonathansarwono.info/aj/analisis_jalur.htm

23