TUGAS MATA STATISTIK LANJUTAN

Disusun Oleh :
PRIHAYATI
K013172014

PASCASARJANA FAKULTAS KESEHATAN MASYARAKAT

UNIVERSITAS HASANUDDIN MAKASSAR
2018
 ANALISIS SEM

Banyak orang yang menghindari melakukan penelitian dengan menggunakan pendekatan

Model Persamaan Struktural (SEM) dengan alasan kompleksitas prosedur analisis SEM. Analisis
dengan menggunakan SEM memang sangat kompleks karena SEM merupakan analisis
multivariat dengan banyak variabel. Namun dengan menggunakan AMOS, analisis SEM
menjadi menarik dan menantang. AMOS menyediakan kanvas di dalam programnya agar
peneliti menuangkan modelnya dalam bentuk gambar di dalam kanvas tersebut. Analisis menjadi
semakin mudah karena dengan satu kali klik, gambar model yang dituangkan di dalam kanvas
langsung dianalisis dengan lengakap. Makalah ini akan menyajikan prosedur analisis SEM
melalui AMOS yang dilengkapi dengan beberapa informasi mengenai dasar-dasar SEM.
A. Bagian-Bagian SEM
1. Sub Model SEM
SEM adalah penggabungan antara dua konsep statistika, yaitu konsep analisis faktor yang
masuk pada model pengukuran (measurement model) dan konsep regresi melalui model
struktural (structural model). Model pengukuran menjelaskan hubungan antara variabel
dengan indikator-indikatornya dan model struktural menjelaskan hubungan antar variabel.
Model pengukuran merupakan kajian dari psikometrika sedangkan model struktural
merupakan kajian dari statistika.
a. Sub Model Pengukuran
Di dalam sebuah skor hasil pengukuran (skor tampak), didalamnya terkandung dua
komponen, yaitu a) komponen yang menjelaskan atribut yang diukur dan b)
komponen yang terkait dengan atribut lain yang tidak diukur (eror). Dengan kata lain,
di dalam skor tampak didalamnya terkandung komponen yang menunjukkan atribut
ukur dan eror. Dalam gambar dengan pendekatan SEM konsep ini dijabarkan menjadi
gambar yang menunjukkan skor sebuah item yang dibangun dari dua komponen, yaitu
atribut ukur dan eror (lihat Gambar 2).

Model pengukuran menggambarkan hubungan antara item dengan konstrak yang

diukur. Model pengukuran memiliki ketepatan model yang memuaskan ketika item-
item yang dilibatkan mampu menjadi indikator dari konstrak yang diukur yang
dibuktikan dengan nilai eror pengukuran yang rendah dan nilai komponen asertivitas
yang tinggi.
 Gambar 3.a (Model Unidimensi menunjukkan asertivitas diukur dengan
menggunakan satu faktor memuat dua item. Gambar 3.b (Model Multidimensi)
menunjukkan asertivitas diukur dengan menggunakan dua faktor yang masing-masing
faktor memuat dua item.

b. Sub Model Struktural

Model struktural menggambarkan hubungan satu variabel dengan variabel lainnya.
Hubungan tersebut dapat berupa korelasi maupun pengaruh. Korelasi antar variabel
ditunjukkan dengan garis dengan berpanah di kedua ujungnya sedangkan pengaruh
ditandai dengan satu ujung berpanah. Gambar 3 menunjukkan peranan variabel
independen terhadap variabel dependen. Pada gambar tersebut terlihat ada dua jenis
model struktural. Gambar 4.a menunjukkan hubungan antar dua konstrak terukur dan
Gambar 4.b menunjukkan hubungan konstrak laten.

2. Konstrak
Konstrak adalah atribut yang menunjukkan variabel. Konstrak di dalam SEM
terdiri dari dua jenis, yaitu konstrak empirik dan konstrak laten.
 a. Konstrak Empirik.
Merupakan konstrak yang terukur (observed). Dinamakan terukur karena kita dapat
mengetahui besarnya konstrak ini secara empirik, misalnya dari item tunggal atau
skor total item-item hasil pengukuran. Konstrak empirik disimbolkan dengan gambar
kotak.

b. Konstrak Laten.
Konstrak laten adalah konstrak yang tidak terukur (unobserved). Dinamakan tidak
terukur karena tidak ada data empirik yang menunjukkan besarnya konstrak ini.
Konstrak laten dapat berupa a) common factor yang menunjukkan domain yang
diukur oleh seperangkat indikator/item dan b) unique factor (eror) yang merupakan
eror pengukuran. Konstrak ini disimbolkan dengan gambar lingkaran dan c) residu
yaitu faktor-faktor lain yang mempengaruhi variabel dependen selain variabel
independen.

3. Jalur
Jalur (path) adalah informasi yang menunjukkan keterkaitan antara satu konstrak dengan
konstrak lainnya. Jalur di dalam SEM terbagi menjadi dua jenis yaitu jalur hubungan
kausal dan non kausal. Jalur kausal digambarkan dengan garis dengan panah salah satu
ujungnya (J) dan jalur hubungan non kausal ditandai dengan gambar garis dengan dua
panah di ujungnya (Q). Namun demikian, meski bentuk garis sama, akan tetapi jika jenis
 konstrak yang dihubungkan adalah berbeda makna garis berbentuk sama tersebut dapat
bermakna berbeda. Selengkapnya jenis-jenis jalur dapat dilihat pada Gambar 7.

B. Jenis-Jenis Model SEM

SEM memiliki sifat yang fleksibel karena peneliti dapat menggambar berbagi model sesuai
dengan penelitiannya. Sifat yang fleksibel tersebut membuat banyak sekali variasi model-
model yang diuji melalui SEM. Berikut ini akan dijelaskan beberapa model yang sering
dipakai oleh peneliti.
1. Model Analisis Faktor Konfirmatori
Model analisis faktor konfirmatori (CFA) merupakan model yang murni berisi model
pengukuran. Tujuannya adalah untuk mengidentifikasi model yang tepat yang menjelaskan
hubungan antara seperangkat item-item dengan konstrak yang diukur oleh item tersebut.

2. Model Analisis Regresi

Model regresi terdiri dari prediktor dan kriterium yang kesemuanya berupa konstrak
empirik. Konstrak empirik tersebut dapat berupa skor total hasil pengukuran yang
memiliki banyak item maupun satu item pengukuran. Analisis pada model regresi pada
gambar 9.a dengan menggunakan AMOS akan menghasilkan hasil analisis SPSS karena
model tersebut merupakan model standar regresi yang terdiri dari prediktor dan kriterium.
Model regresi yang agak unik adalah Gambar 9.b yang merupakan jenis analisis jalur
 (path analysis) dengan satu mediator dan Gambar 9.c yaitu regresi dengan dua variabel
dependen (bivariate regression).

3. Model Penelitian Eksperimen

SEM juga dapat diaplikasikan pada analisis data pada penelitian eksperimen. Terlihat
pada Gambar 10 bahwa model mengidentifikasi perubahan atribut dari pre-tes menunju
pos-tes. Tiap atribut tersebut sitandai oleh dua item. Perbedaan antara Gambar 10.a dan
10.b terletak pada keberadaan data perlakukan yang diberikan. Model penelitian
eksperimen ini dianalisis secara terpisah antara kelompok eksperimen dan kelompok
kontrol namun satu informasi mengenai ketepatan modelnya.

4. Model Utuh (Full Model)

Model ini dinamakan model utuh karena didalamnya menggabungkan antara model
pengukuran (analisis faktor) dan model struktural (regresi). Melalui model ini kita dapat
mengetahui peranan item dalam mengukur konstrak ukur serta peranan konstrak ukur
terhadap konstrak ukur lainnya. Model ini lebih menantang karena relatif sulit untuk
mendapatkan nilai ketepatan model yang memuaskan karena banyaknya potensi yang
memunculkan eror di dalam model.
 Masih banyak lagi gambar-gambar model SEM. Program AMOS menampilkan contoh-
contoh model tersebut dari berbagai penelitian yang telah dilakukan.

C. Contoh Analisis
1. Dimulai dari Data Dilanjutkan ke Model
Kata kuncinya adalah DATA dan MODEL. Data berisi informasi mengenai variabel
secara kuantitatif dan model adalah gambar dari model. Gambar ini menunjukkan konsep
yang disusun dalam menghubungkan satu variabel dengan variabel lainnya.
− Data disediakan melalui program Microsoft Excel atau SPSS
− Model disusun pada program AMOS.
Karena AMOS adalah program pelengkap sehingga model yang dikembangkan dalam
Program AMOS tidak dapat dianalsis tanpa data yang diacu.

2. Langkah-langkah
Berikut adalah langkah-langkah yang harus ditempuh
a. Menyiapkan data.
Data yang kita pakai adalah data SPSS
b. Membuka Program AMOS
Buka program AMOS dengan membuka Program AMOS GRAPHICS

c. Membuat hubungan antara AMOS dan SPSS

Data kita terletak di SPSS sedangkan model kita terletak di AMOS. Langkah ini akan
membuat kedua program tersebut menjadi terhubung. Caranya adalah sebagai berikut.
1) Di Program AMOS tekan DATA FILES, lalu akan muncul menu di bawah ini :
 2) Tekan FILE NAME lalu pilih NAMA FILE yang berisi data Pada jendela di bawah
ini carilah nama file yang berisi data anda kemudian KLIK file tersebut. Nama file
yang muncul di dalam jendela tergantung dari FILE OF TYPES yang dimunculkan.
Jika file anda adalah SPSS maka pada FILE OF TYPES pilihlah data berbentuk
SPSS. Tekan OK

d. Mengambar Model
Gambarlah model sesuai dengan konsep yang anda kembangkan. Dalam hal ini kita
sedang melakukan analisis faktor terhadap pada skala Harga Diri yang terdiri dari 4
item.

AMOS memfasilitasi anda untuk menggambar model dengan berbagai fitur yang
menarik

e. Memilih Keluaran Analisis

Klik VIEW – ANALYSIS PROPERTIS – lalu pilih OUTPUT. Langkah ini bertujuan
untuk memerintahkan AMOS mengeluarkan informasi hasil analisis. Centang
 informasi mengenai Standardized Estimates, Square Multiple Correlation dan
Modification Indices.

Mencentang Standardized Estimates akan mengeluarkan statistik yang

terstandarisasi, Square Multiple Correlation mengeluarkan informasi sumbangan
efektif dan Modification Indices mengeluarkan informasi pertimbangan dalam
melakukan modifikasi model.

f. Melakukan Analisis
Klik ANALYZE – CALCULATE ESTIMATES atau ikon bergambar piano
untuk menganalisis model anda

g. Menampilkan Gambar Hasil Analisis

Klik Ikon untuk menampilkan angka-angka hasil analisis di dalam model
h. Menampilkan Tabel Hasil Analisis
Klik VIEW – TEXT OUTPUT atau langsung tekan F10 untuk menampilkan jendela
hasil analisis. Anda tinggal memilih mana informasi yang anda inginkan dengan cara
mengarahkan kursor mouse anda pada menu yang tersedia, misalnya ESTIMATE,
MODIFICATION INDICES atau MODEL FIT
 PATH ANALISIS (ANALISIS JALUR)

A. Pengertian
Analisis jalur dikenal dengan path analysis dikembangkan pertama tahun 1920-an oleh
seorang ahli genetika yaitu Sewall Wright. Analisis jalur sebenarnya sebuah teknik yang
merupakan pengembangan korelasi yang diurai menjadi beberapa interpretasi akibat yang
ditimbulkannya.
Teknik ini juga dikenal sebagai model sebab-akibat (causing modeling). Definisi
analisis jalur, di antaranya: “Analisis jalur ialah suatu teknik untuk menganalisis hubungan
sebab akibat yang terjadi pada regresi berganda jika variabel bebasnya mempengaruhi
variabel tergantungnya tidak hanya secara langsung, tetapi juga secara tidak langsung”
(Robert D. Rutherford, 1993). Definisi lain mengatakan “Analisis jalur merupakan
pengembangan langsung bentuk regresi berganda dengan tujuan untuk memberikan estimasi
tingkat kepentingan (magnitude) dan signifikansi (significance) hubungan sebab akibat
hipotetikal dalam seperangkat variabel” (Paul Webley, 1997).
Model analisis jalur digunakan untuk menganalisis pola hubungan antar variabel dengan
tujuan untuk mengetahui pengaruh langsung maupun tidak langsung seperangkat variabel
bebas (eksogen) terhadap variabel terikat (endogen). Model analisis jalur yang dibicarakan
adalah pola hubungan sebab akibat. Oleh karena itu rumusan masalah penelitian dalam
kerangka analisis jalur hanya berkisar pada variabel bebas (X 1, X2, X3,…….X4) berpengaruh
terhadap variabel terikat Y, atau berapa besar pengaruh kausal langsung, kausal tidak
langsung, kausal total maupun simultan seperangkat variabel bebas (X 1, X2, X3,…….X4)
terhadap variabel terikat Y.

B. Asumsi-asumsi Analisis Jalur

Sebelum melakukan analisis, ada beberapa prinsip dasar atau asumsi yang mendasari
analisis jalur, yaitu:
1. Pada model analisis jalur, hubungan antar variabel adalah bersifat linier, adaptif, dan
bersifat normal.
2. Hanya sistem aliran kausal ke satu arah artinya tidak ada arah kausalitas yang berbalik.
3. Variabel terikat (endogen) minimal dalam skala ukur interval dan ratio.
 4. Menggunakan sampel probability sampling yaitu teknik pengambilan sampel untuk
memberikan peluang yang sama pada setiap anggota populasi untuk dipilih menjadi
anggota sampel.
5. Variabel observasi diukur tanpa kesalahan (instrumen pengukuran valid dan reliabel)
artinya variabel yang diteliti dapat diobservasi secara langsung.
6. Model yang dianalisis dispesifikasikan (diidentifikasi) dengan benar berdasarkan teori-
teori dan konsep-konsep yang relevan artinya model teori yang dikaji atau diuji dibangun
berdasarkan kerangka teoritis tertentu yang mampu menjelaskan hubungan kausalitas antar
variabel yang diteliti.

C. Manfaat Analisis Jalur

Manfaat model analisis jalur di antaranya adalah:
1. Untuk penjelasan terhadap fenomena yang dipelajari atau permasalahan yang diteliti.
2. Prediksi nilai variabel terikat (Y) berdasarkan nilai variabel bebas (X), dan prediksi dengan
analisis jalur ini bersifat kualitatif.
3. Faktor dominan terhadap variabel terikat (Y) dapat digunakan untuk menelusuri
mekanisme pengaruh variabel bebas (X) terhadap variabel (Y).
4. Pengujian model mengggunakan teori trimming baik untuk uji reliabilitas konsep yang
sudah ada ataupun uji pengembangan konsep baru.

D. Beberapa Istilah dalam Analisis Jalur

Model jalur adalah ialah suatu diagram yang menghubungkan antara variabel bebas,
perantara dan terikat. Pola hubungan ditunjukkan dengan menggunakan anak panah. Anak
panah-anak panah tunggal menunjukkan hubungan sebab akibat antara variabel-variabel
bebas (exogenous) atau perantara dengan satu variabel dengan variabel terikat atau lebih.
Anak panah juga menghubungkan kesalahan (variable residue) dengan semua variabel terikat
(endogenous) masing-masing.
Anak panah ganda menunjukkan korelasi antara pasangan variabel-variabel exogeneus.
Variabel exogenous dalam suatu model jalur ialah semua variabel yang tidak ada penyebab-
penyebab eksplisitnya atau dalam diagram tidak ada anak-anak panah yang menuju ke
arahnya, 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.
Variabel endogenous ialah variabel yang mempunyai anak-anak panah menuju ke arah
variabel tersebut. Variabel yang termasuk di dalamnya ialah mencakup semua variabel
perantara dan terikat. Variabel perantara endogenous mempunyai anak panah yang menuju ke
arahnya dan dari arah variabel tersebut dalam suatu model diagram jalur. Adapun variabel
tergantung hanya mempunyai anak panah yang menuju ke arahnya.
Koefisien jalur adalah koefisien regresi standar atau disebut ‘beta’ yang menunjukkan
pengaruh langsung dari suatu variabel bebas terhadap variabel terikat dalam suatu model jalur
tertentu. Oleh karena itu, jika suatu model mempunyai dua atau lebih variabel-variabel
penyebab, maka koefisien-koefisien jalurnya merupakan koefisien-koefisien 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.
Jenis pengaruh dalam analisis jalur yaitu Direct Effect (DE) dan Indirect Effect (IE). DE
adalah pengaruh langsung yang dapat dilihat dari koefisien dari satu variabel ke variabel
lainnya, dan IE adalah urutan jalur melalui satu atau lebih variabel perantara.

E. Model Analisis Jalur

Sebelum menghitung koefisien jalur yang didasarkan pada koefisien regresi,
diagram jalur terlebih dahulu dibuatkan dengan lengkap. Adapun model diagram jalur dan
persamaan struktural yang paling sederhana sampai dengan yang lebih rumit di antaranya:

1. Model Regresi Berganda

Model ini merupakan pengembangan regresi berganda dengan menggunakan dua
variabel exogenous, yaitu X1 dan X2 dengan satu variabel endogenous Y. Model
digambarkan sebagai berikut:
 Gambar 2.1 Model Regresi Berganda

2. Model Mediasi
Model mediasi atau perantara di mana variabel Y memodifikasi pengaruh variabel X
terhadap variabel Z. Model digambarkan sebagai berikut:

Gambar 2.2 Model Mediasi

3. Model Kombinasi
Model ini merupakan kombinasi model regresi berganda dan model mediasi, yaitu
variabel X berpengaruh terhadap variabel Z secara langsung dan secara tidak langsung
mempengaruhi variabel Z melalui variabel Y. Model digambarkan sebagai berikut:

Gambar 2.3 Model Kombinasi

4. Model Kompleks
Model ini merupakan model yang lebih kompleks, yaitu variabel X1 secara
langsung mempengaruhi variabel Y2 dan melalui variabel X2 secara tidak
langsung mempengaruhi Y2, sementara variabel Y2 juga dipengaruhi oleh variabel
Y1. Model digambarkan sebagai berikut:

Gambar 2.4 Model Kompleks

5. Model Rekursif dan Model Non Rekursif

Gambar 2.5 Model Rekursif dan Model Non Rekursif

Dari sisi pandang arah sebab-akibat, ada dua tipe model jalur, yaitu rekursif dan non
rekursif. Model tersebut dapat diterangkan sebagai berikut:

a. Anak panah menuju satu arah, yaitu dari 1 ke 2, 3, dan 4; dari 2 ke 3 dan dari 3 menuju
ke 4. Tidak ada arah yang terbalik, misalnya dari 4 ke 1.
b. Hanya terdapat satu variabel exogenous, yaitu 1 dan tiga variabel endogenous, yaitu 2,
3, dan 4. Masing-masing variabel endogenous diterangkan oleh variabel 1 dan error (e1,
e2, e3).
c. Satu variabel endogenous dapat menjadi penyebab variabel endogenous lainnya, tetapi
bukan ke variabel exogenous.
Model non rekursif terjadi jika anak panah tidak searah atau terjadi arah yang
terbalik (looping), misalnya dari 4 ke 3 atau dari 3 ke 1 dan 2, atau bersifat sebab akibat
(reciprocal cause). Ada tiga tipe model dalam model rekursif dan non rekursif, yaitu:
a. Model persamaan satu jalur

b. Model persamaan dua jalur

c. Model persamaan tiga jalur

d. Model Persamaan Struktural

Persamaan struktural atau juga disebut model struktural yaitu apabila setiap
variabel endogen (endogenous) secara unik keadaannya ditentukan oleh seperangkat
variabel eksogen (exogenous). Selanjutnya gambar meragakan struktur hubungan kausal
antar variabel disebut diagram jalur. Jadi, persamaan ini Y=F(X1; X2; X3) dan Z=F(X1;
X3;Y) merupakan persamaan struktural karena setiap persamaan menjelaskan hubungan
kausal yaitu variabel eksogen X1, X2, dan X3 terhadap variabel endogen X dan Z.
Diagram jalur untuk model struktural sebagai berikut :
 Jadi, secara sistematik analisis jalur mengikuti pola model struktural, sehingga
langkah awal untuk mengerjakan atau penerapan model analisis jalur yaitu dengan
merumuskan persamaan struktural dan diagram jalur yang berdasarkan kajian teori
tertentu yang telah diuraikan.

e. Model Koefisien Jalur

Besarnya pengaruh langsung dari suatu variabel eksogen terhadap variabel
endogen tertentu, dinyatakan oleh besarnya nilai numerik koefisien jalur (path
coefficient) dari eksogen ke endogen.

Hubungan antara X1 dan X2 adalah hubungan korelasional. Intensitas keeratan

hubungan tersebut dinyatakan oleh besarnya koefisien korelasi rX1X2. Hubungan X1, X2
dan ke X3 adalah hubungan kausal. Besarnya nilai numerik koefisien jalur ρX3X1 dan
ρX3X2. Koefisien jalur ρX3Z menggambarkan besarnya pengaruh langsung variabel residu
(implicit exogenous variable) terhadap X3.
F. Kasus
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 X 3.
Data hasil pengukuran (dalam skala pengukuran interval) melalui sampel acak berukuran 15
adalah sebagai berikut :
 X3 X1 X2
205 26 159
206 28 164
254 35 198
246 31 184
201 21 150
291 49 208
234 30 184
209 30 154
204 24 149
216 31 175
245 32 192
286 47 201
312 54 248
265 40 166
322 42 287

Analisis :
1. Regression

Descriptive Statistics

Mean Std. Deviation N

X3 246,4000 41,11274 15
X1 34,6667 9,67815 15
X2 187,9333 38,08724 15
 Correlations

X3 X1 X2
Pearson Correlation X3 1,000 ,916 ,901
X1 ,916 1,000 ,735
X2 ,901 ,735 1,000
Sig. (1-tailed) X3 . ,000 ,000
X1 ,000 . ,001
X2 ,000 ,001 .
N X3 15 15 15
X1 15 15 15
X2 15 15 15

Variables Entered/Removedb

Variables Variables
Model Entered Removed Method
1 X2, X1a . Enter
a. All requested variables entered.
b. Dependent Variable: X3

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 ,976a ,952 ,944 9,75663
a. Predictors: (Constant), X2, X1

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 22521,299 2 11260,649 118,294 ,000a
Residual 1142,301 12 95,192
Total 23663,600 14
a. Predictors: (Constant), X2, X1
b. Dependent Variable: X3
 Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 64,639 13,112 4,930 ,000
X1 2,342 ,398 ,551 5,892 ,000
X2 ,535 ,101 ,496 5,297 ,000
a. Dependent Variable: X3

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

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
p3 = = = 0,219
Hubungan struktural antara X1 , X2 dan X3 :

Interpretasi
Pengaruh langsung dari X1 terhadap X3 = (0,551)(0,916)=
Pengaruh langsung dari X2 terhadap X3 = (0,496)(0,901)=
 CONTOH KASUS MANOVA HOTELLING TRACE TEST

Seorang peneliti ingin mengetahui perbedaan pengaruh penambahan gelatin (X1) dan
lama penyimpanan (X2) terhadap kadar protein (Y1) maupun kadar lemak (Y2) yang terkandung
dalam yogurt! Berikut data penelitiannya :

Tabel 1 Data Penelitian

No X1 X2 Y1 Y2
25 3 1 5,7 3,6
26 3 1 5 3,5
27 3 1 6,7 3,5
28 3 2 6,1 3,6
29 3 2 5,1 3,5
30 3 2 5,8 3,5
31 3 3 5,4 3,4
32 3 3 4,4 3,3
33 3 3 5,1 3,4
34 3 4 5,1 3,2
35 3 4 4,5 3,1
36 3 4 4,6 3,3
37 4 1 7,1 3,5
38 4 1 5,9 3,4
39 4 1 7,3 2,9
40 4 2 7,1 3,5
41 4 2 6,1 3,4
42 4 2 6,9 2,8
43 4 3 6,6 3,2
44 4 3 5,7 3,3
45 4 3 6,8 2,8
46 4 4 6,5 3,1
47 4 4 5,6 3,1
 48 4 4 6,5 2,7
No X1 X2 Y1 Y2
25 3 1 5,7 3,6
26 3 1 5 3,5
27 3 1 6,7 3,5
28 3 2 6,1 3,6
29 3 2 5,1 3,5
30 3 2 5,8 3,5
31 3 3 5,4 3,4
32 3 3 4,4 3,3
33 3 3 5,1 3,4
34 3 4 5,1 3,2
35 3 4 4,5 3,1
36 3 4 4,6 3,3
37 4 1 7,1 3,5
38 4 1 5,9 3,4
39 4 1 7,3 2,9
40 4 2 7,1 3,5
41 4 2 6,1 3,4
42 4 2 6,9 2,8
43 4 3 6,6 3,2
44 4 3 5,7 3,3
45 4 3 6,8 2,8
46 4 4 6,5 3,1
47 4 4 5,6 3,1
48 4 4 6,5 2,7

Keterangan :
Penambahan Gelatin (X1):
1 = penambahan gelatin 0 %
2 = penambahan gelatin 0,3 %
3 = penambahan gelatin 0,6%
4 = penambahan gelatin 0,9 %
Lama Penyimpanan (X2):
1 = lama penyimpanan 1 hari
2 = lama penyimpanan 7 hari
3 = lama penyimpanan 14 hari
4 = lama penyimpanan 21 hari

Jawab :
a. Hasil Uji Homogenitas Varian
Tabel 2
Levene's Test of Equality of Error Variancesa
F df1 df2 Sig.
Kadar Protein
1,526 15 32 ,154
(Y1)
Kadar Lemak
4,463 15 32 ,000
(Y2)
Tests the null hypothesis that the error variance of the
dependent variable is equal across groups.
a. Design: Intercept + X1 + X2 + X1 * X2

Hasil uji Levene pada tabel 2 menunjukkan bahwa untuk Y1 harga F=1,526 dengan
signifikansi 0,154 dan untuk Y2 harga F= 4,463 dengan signifikansi 0,000. Bila ditetapkan taraf
signifikansi 0,05, maka baik untuk Y1 maka harga F tidak signifikan karena signifikansi Y1 =
0,154 lebih besar dari 0,05, artinya Y1 memiliki varian yang homogen, sedangkan Y2 yaitu
harga F tidak signifikan karena signifikansi Y2 = 0,000 lebih kecil dari 0,05, artinya Y2
memiliki varian yang heterogen
b. Hasil Uji Homogenitas Covarian
 MANOVA mempersyaratkan bahwa matriks varian/covarian dari variabel dependen sama.
Uji homogenitas matriks varian/covarian dilihat dari hasil uji Box. Apabila harga Box’s M
signifikan maka hipotesis nol yang menyatakan bahwa matriks varian/covarian dari variabel
dependen sama ditolak. Dalam kondisi ini analisis MANOVA tidak dapat dilanjutkan. Hasil uji
Box’s M dengan SPSS tampak pada Tabel 3 berikut ini.
Tabel 3
Box's Test of Equality of Covariance Matricesa
Box's M 63,440
F ,828
df1 45
df2 1539,792
Sig. ,785
Tests the null hypothesis that the observed covariance matrices of
the dependent variables are equal across groups.
a. Design: Intercept + X1 + X2 + X1 * X2
Tabel 3 menunnjukka bahwa nilai signifikansi Box’s M = 0,786 yang lebih besar dari
0,05. Hal ini berarti bahwa matriks varian / covarian dari variabel dependen sama, sehingga
analisis MANOVA / uji Hotelling Trace’s dapat dilanjutkan.

c. Uji MANOVA (Hotelling Trace’s)

Uji MANOVA digunakan untuk menguji apakah terdapat perbedaan beberapa variabel
terikat antara beberapa kelompok yang berbeda. Keputusan diambil dengan analisis Pillae Trace,
Wilk Lambda, Hotelling Trace, Roy’s Largest Root, seperti Tabel 4 sebagai berikut :

Tabel 4
 Multivariate Testsa
Effect Value F Hypothesis df Error df Sig.
Pillai's Trace ,999 16890,420b 2,000 31,000 ,000
Wilks' Lambda ,001 16890,420b 2,000 31,000 ,000
Hotelling's
Intercept 1089,704 16890,420b 2,000 31,000 ,000
Trace
Roy's Largest
1089,704 16890,420b 2,000 31,000 ,000
Root
Pillai's Trace 1,257 18,060 6,000 64,000 ,000
Wilks' Lambda ,097 22,901b 6,000 62,000 ,000
Penambahan Gelatin Hotelling's
5,682 28,409 6,000 60,000 ,000
(X1) Trace
Roy's Largest
4,941 52,699c 3,000 32,000 ,000
Root
Pillai's Trace ,689 5,611 6,000 64,000 ,000
Wilks' Lambda ,323 7,847b 6,000 62,000 ,000
Lama Penyimpanan Hotelling's
2,057 10,284 6,000 60,000 ,000
(X2) Trace
Roy's Largest
2,038 21,737c 3,000 32,000 ,000
Root
Pillai's Trace ,108 ,202 18,000 64,000 1,000
Wilks' Lambda ,895 ,197b 18,000 62,000 1,000
Hotelling's
X1 * X2 ,115 ,192 18,000 60,000 1,000
Trace
Roy's Largest
,088 ,312c 9,000 32,000 ,965
Root
a. Design: Intercept + X1 + X2 + X1 * X2
b. Exact statistic
c. The statistic is an upper bound on F that yields a lower bound on the significance level.
 Tabel 4 pada baris X1 menunjukkan nilai signifikansi (Sig) Pillae Trace = 0,000, Wilk
Lambda = 0,000, Hotelling Trace = 0,000, Roy’s Largest Root = 0,000, serta baris X2 juga
mempunyai nilai signifikansi (Sig) Pillae Trace = 0,000, Wilk Lambda = 0,000, Hotelling Trace
= 0,000, Roy’s Largest Root = 0,000. Hal ini berarti bahwa ada atau terdapat perbedaan kadar
protein dalam yogurt (y1) dan kadar lemak dalam yogurt (y2) dengan adanya penambahan
gelatin 0% (1) sampai dengan 0,9% (4), maupun dengan lama penyimpanan dari 1 hari (1)
sampai dengan 21 hari (4).
Selanjutnya tabel 5 yang membahas tentang hubungan variabel penambahan gelatin (X1),
dan lama penyimpanan (X2) dengan variabel kadar protein (Y1) dan kadar lemak yang
terkandung dalam yogurt (Y2) yang mengakibatkan ada atau tidaknya perbedaan.

Tabel 5
Tests of Between-Subjects Effects
Source Dependent Type III Sum df Mean F Sig.
Variable of Squares Square

Corrected Kadar Protein 21,099a 15 1,407 5,806 ,000

Model Kadar Lemak 5,125b 15 ,342 11,631 ,000
1469,65
Kadar Protein 1469,653 1 6066,628 ,000
3
Intercept
20280,00
Kadar Lemak 595,725 1 595,725 ,000
7
Kadar Protein 15,348 3 5,116 21,119 ,000
X1
Kadar Lemak 4,297 3 1,432 48,764 ,000
Kadar Protein 5,139 3 1,713 7,072 ,001
X2
Kadar Lemak ,801 3 ,267 9,085 ,000
Kadar Protein ,612 9 ,068 ,281 ,975
X1 * X2
Kadar Lemak ,027 9 ,003 ,102 ,999
Kadar Protein 7,752 32 ,242
Error
Kadar Lemak ,940 32 ,029
Kadar Protein 1498,505 48
Total
Kadar Lemak 601,790 48
 Kadar Protein 28,851 47
Corrected Total
Kadar Lemak 6,065 47
a. R Squared = ,731 (Adjusted R Squared = ,605)
b. R Squared = ,845 (Adjusted R Squared = ,772)

Berdasarkan Tabel 5 atau tabel tests of between-subjects effects, diketahui bahwa

hubungan antara penambahan gelatin (X1) dengan kadar protein (Y1) mempunyai nilai
signifikansi sebesar 0,000 lebih kecil dari taraf signifikansi = 0,05, yang artinya terdapat
perbedaan kadar protein yang diakibatkan oleh perbedaan penambahan gelatin yang telah
diberikan, sedangkan hubungan antara penambahan gelatin (X1) dengan kadar lemak (Y2).
mempunyai nilai signifikansi sebesar 0,000 lebih kecil dari taraf signifikansi = 0,05, yang artinya
terdapat perbedaan kadar lemak yang diakibatkan oleh perbedaan penambahan gelatin yang telah
diberikan.
Hasil berikutnya ialah hubungan lama penyimpanan (X2) dengan kadar protein (Y1)
maupun kadar lemak (Y2). Diketahui nilai signifikansi kadar protein = 0,001, dan kadar lemak =
0,000 yang keduanya lebih kecil dari 0,05, maka dapat disimpulkan terdapat perbedaan kadar
protein (Y1) maupun kadar lemak (Y2) yang terkandung dalam yogurt yang diakibatkan oleh
perbedaan lama penyimpanannya.

Lampiran Uji MANOVA Hotelling Trace’s

Between-Subjects Factors

Value Label N

1,00 Penambahan 0% 12

2,00 Penambahan 0,3% 12

Penambahan Gelatin
3,00 Penambahan 0,6% 12

4,00 Penambahan 0,9% 12

Lama Penyimpanan 1,00 1 Hari 12

 2,00 7 Hari 12

3,00 14 Hari 12

4,00 21 Hari 12

Box's Test of Equality of Covariance Matricesa

Box's M 63,440

F ,828

df1 45

df2 1539,792

Sig. ,785

Tests the null hypothesis that the observed covariance matrices of the
dependent variables are equal across groups.

a. Design: Intercept + X1 + X2 + X1 * X2

Multivariate Testsa

Effect Value F Hypothesis Error df Sig.

df

Pillai's Trace ,999 16890,420b 2,000 31,000 ,000

Wilks' Lambda ,001 16890,420b 2,000 31,000 ,000

Intercept
Hotelling's Trace 1089,704 16890,420b 2,000 31,000 ,000

Roy's Largest Root 1089,704 16890,420b 2,000 31,000 ,000

Penambahan Pillai's Trace 1,257 18,060 6,000 64,000 ,000

Gelatin (X1)
Wilks' Lambda ,097 22,901b 6,000 62,000 ,000
 Hotelling's Trace 5,682 28,409 6,000 60,000 ,000

Roy's Largest Root 4,941 52,699c 3,000 32,000 ,000

Pillai's Trace ,689 5,611 6,000 64,000 ,000

Lama Wilks' Lambda ,323 7,847b 6,000 62,000 ,000

Penyimpanan
(X2) Hotelling's Trace 2,057 10,284 6,000 60,000 ,000

Roy's Largest Root 2,038 21,737c 3,000 32,000 ,000

Pillai's Trace ,108 ,202 18,000 64,000 1,000

Wilks' Lambda ,895 ,197b 18,000 62,000 1,000

X1 * X2
Hotelling's Trace ,115 ,192 18,000 60,000 1,000

Roy's Largest Root ,088 ,312c 9,000 32,000 ,965

a. Design: Intercept + X1 + X2 + X1 * X2

b. Exact statistic

c. The statistic is an upper bound on F that yields a lower bound on the significance level.

Levene's Test of Equality of Error Variancesa

F df1 df2 Sig.

Kadar Protein 1,526 15 32 ,154

Kadar Lemak 4,463 15 32 ,000

Tests the null hypothesis that the error variance of the dependent
variable is equal across groups.

a. Design: Intercept + X1 + X2 + X1 * X2

Tests of Between-Subjects Effects

Source Dependent Variable Type III Sum of df Mean F Sig.

Squares Square

Kadar Protein 21,099a 15 1,407 5,806 ,000

Corrected Model
Kadar Lemak 5,125b 15 ,342 11,631 ,000

Kadar Protein 1469,653 1 1469,653 6066,628 ,000

Intercept
Kadar Lemak 595,725 1 595,725 20280,007 ,000

X1 Kadar Protein 15,348 3 5,116 21,119 ,000

 Kadar Lemak 4,297 3 1,432 48,764 ,000

Kadar Protein 5,139 3 1,713 7,072 ,001

X2
Kadar Lemak ,801 3 ,267 9,085 ,000

Kadar Protein ,612 9 ,068 ,281 ,975

X1 * X2
Kadar Lemak ,027 9 ,003 ,102 ,999

Kadar Protein 7,752 32 ,242

Error
Kadar Lemak ,940 32 ,029

Kadar Protein 1498,505 48

Total
Kadar Lemak 601,790 48

Kadar Protein 28,851 47

Corrected Total
Kadar Lemak 6,065 47

a. R Squared = ,731 (Adjusted R Squared = ,605)

b. R Squared = ,845 (Adjusted R Squared = ,772)

 ANALISIS FAKTOR

A. Pendahuluan
Dalam penelitian, seringkali kita melakukan pengukuran fenomena yang abstrak, yang
tidak dapat diukur secara langsung, misalnya :
1.Sikap terhadap UU Pornografi
2.Kepuasan terhadap pelayanan RS
Sehingga pengukurannya dilakukan secara tidak langsung, yaitu melalui
pertanyaan/pernyataan (item). Dimana pertanyaan/pernyataan tersebut mewakili konsep
abstrak yang ingin diukur.

B. Pengertian
Analisis faktor merupakan metode untuk pengembangan pengukuran untuk variabel
yang tidak dapat diukur secara langsung, seperti tingkah laku, pendapat, sikap, kepuasan,
intelegensi, personality dan lain-lain.

C. Manfaat
Analisis faktor digunakan untuk mereduksi dimensi data dengan cara menyatakan
variabel asal sebagai kombinasi linear sejumlah faktor, sedemikian hingga sejumlah faktor
tersebut mampu menjelaskan sebesar mungkin keragaman data yang dijelaskan oleh
variabel asal. Dengan kata lain manfaat dari analisis faktor adalah untuk menguji validitas
konstruk.

D. Prinsip
Principal Component Analysis yang digunakan adalah untuk mengurangi variabel,
misalnya variabel yang multikolineariti pada regresi linier dan tidak ada asumsi konstruk
(jenis dan jumlah)
E. Jenis
1. Exploratory Factor Analysis (EFA)
a. Ada asumsi jumlah konstruk yang mendasari pertanyaan/pernyataan
b. Antar konstruk dianggap tidak ada korelasi
 2. Confirmatory Factor Analysis (CFA)
a. Ada asumsi jumlah konstruk dan juga pertanyaan/pernyataan yang mewakili konstruk
tersebut
b. Antar konstruk boleh ada korelasi

F. Syarat
1. Variabel bersifat ordinal dg minimal ada 3 tingkatan
2. Distribusi variabel normal à tidak terlalu ketat
3. Hubungan antar variabel linier
4. Antar pertanyaan/pernyataan harus ada korelasi sedang sampai tinggi
5. Sampel cukup besar
a. Paling tidak 300 resp (Tabachnick & Fidell, 2001)
b. Paling tidak 10 * jumlah item (Nunnally & Bernstein, 1994)

G. Contoh
Suatu instumen digunakan untuk mengukur kepuasan pasien terhadap pelayanan di
puskesmas di propinsi Sumatera Selatan, Jambi dan Papua. Kepuasan pasien diukur
berdasarkan 5 dimensi kepuasan (Panarusaman) dan keterjangkauan fasilitas, terdiri dari :
1. Emphaty
2. Tangible
3. Reliability
4. Responsiveness
5. Assurance
6. Cost & distance
Berikut adalah rinciang dari masing-masing dimensi tersebut :
1. Emphaty
a. F3a Keramahan petugas pemberi pelayanan
b. F3b Komunikasi yang lancar/baik
2. Tangible
a. F3c Kelengkapan alat yang disediakan
b. F3d Kebersihan fasilitas pelayanan
3. Reliability
a. F3e Keterampilan petugas dalam memberikan pengobatan
b. F3f Memberikan penjelasan yang jelas dan akurat
4. Responsiveness
a. F3g Waktu tunggu hingga saat pelayanan diberikannya
b. F3h Pelayanan yang cepat dan tanggap
5. Assurance
a. F3i Memberikan rasa aman kepada diri sendiri
b. F3j Memberikan pelayanan yang privasi/pribadi/rahasia
6. Accesibility
a. F3k Keterjangkauan tempat fasilitas pelayanan
b. F3l Biaya relatif murah
Berikut adalah bagan dari masing-masing dimensi tersebut diatas :
H. Langkah-Langkah Melakukan Analisis Faktor Menggunakan SPSS
1. pilih Analyze à Data Reduction à Factor
2. Pilih variabel pernyataan/pertanyaan

3. Klik Descriptive dan pilih:

4. Klik Extraction dan pilih Principal Axis Factoring

5. Pada isian Number of factors, ketiklah 6

6. Klik Rotation dan klik Varimax & juga Rotated solution

7. Klik Option dan klik Sorted by size

 8. Pada isian Supress absolute values less than, ketik 0.3

I. Hasil dan Interpretasi

F1 : Emphaty
F2 : Cost
F3 : Responsiveness
F4 : Tangibel
F5 : Assurance
F6 : Reliability
 ANALISIS MANOVA

A. Pendahuluan

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 :

Populasi 2 :

Populasi g :

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

1. , (l = 1, 2, … ,g) adalah sampel acak berukuran dari suatu populasi dengan rata

- rata .

2. Matriks kovariansi antara g populasi sama.

Setiap populasi adalah normal multivariat

Sebelum dilakukan analisis variansi multivariat lebih lanjut, terlebih dahulu akan diuji ketiga

asumsi-asumsi dasar tersebut menyatakan bahwa dari sekumpulan data multivariat , (l

= 1, 2, … ,g) merupakan sampel acak berukuran yang diambil dari suatu populasi dengan vektor

rata-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 varians-kovarians dengan

hipotesis dan ada paling sedikit satu diantara sepasang yang

tidak sama. Jika dari masing-masing populasi diambil sampel acak berukuran n yang saling bebas

maka penduga tak bias untuk adalah matriks sedangkan untuk penduga tak biasnya adalah S,

Untuk menguji hipotesis di atas dengan tingkat signifikansi α, digunakan kriteria uji berikut:

ditolak jika dan diterima jika

dengan
 Dengan bantuan program SPSS, uji homogenitas matriks varians-kovarians 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

varians-kovarians 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 mensyaratkan terpenuhinya asumsi distribusi

normalitas dengan hipotesis adalah Data berdistribusi normal multivariat dan Data tidak

berdistribusi normal multivariat. Berdasarkan Teorema 2.2, jika berdistribusi normal

multivariat maka berditribusi . Berdasarkan sifat ini maka pemeriksaan

distribusi normal multivariat dapat dilakukan pada setiap populasi dengan cara membuat q-q plot atau

scatter-plot dari nilai

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:

d) Tentukan nilai jarak mahalanobis atau kuadrat general setiap titik pengamatan dengan vektor rata-

ratanya

e) Urutkan nilai dari kecil ke besar:

f) Tentukan nilai

g) Tentukan nilai sedemikian hingga atau

h) Buat scatter-plot dengan

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

maka diterima artinya data berdistribusi normal multivariat.

j) Selesai

Implementasi pembuatan q-q plot dari nilai 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 rata-rata jumlah kuadrat, sebagai taksiran hasil bagi
taksiran variansi-variansi yang 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:

dimana adalah akar-akar karakteristik dari .

= matriks varians-kovarians galat pada MANOVA

= 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 varians-kovarians 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:

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:
 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

asumsi normalitas multivariat, statistik ini kurang robust (kekar) dibandingkan dengan statistik uji

yang lainnya. Statistik uji Roy’s Largest Root dirumuskan sebagai:

akar karakteristik maksimum dari

B. One-Way MANOVA

Salah satu model MANOVA sebagai perluasan dari One-Way ANOVA adalah One-Way

MANOVA. Model ini dengan pengaruh tetap dapat digunakan untuk menguji apakah ke-g populasi

(dari satu faktor yang sama) menghasilkan vektor rata-rata yang sama untuk p variabel respon atau

variabel dependent yang diamati dalam penelitian.

Untuk membandingkan vektor rata-rata populasi g berdasarkan bentuk model One-Way

ANOVA adalah , dengan dan adalah galat yang

diasumsikan bebas dan berdistribusi Np untuk data multivariat.

Suatu vektor dari pengamatan data multivariat dianalisis berdasarkan bentuk (2-18) dan bentuk

(2-19) mengacu untuk jumlah kuadrat pada model One-Way MANOVA. Sehingga digunakan,

dapat di tulis sebagai berikut :

Jumlah untuk semua pengamatan ke-l berdasarkan bentuk (3-5) dirumuskan sebagai berikut

dengan Selanjutnya bentuk (3-6) dijumlahkan untuk semua populasi

menghasilkan jumlah pengamatan total

Untuk bentuk (3-7), misalkan

dimana Sl adalah matriks kovariansi sampel ke-l. Matriks tersebut mempunyai peran yang dominan

dalam pengujian untuk ada tidaknya pengaruh perlakuan.

Analog pada univariat, hipotesis tanpa pengaruh perlakuan pada multivariat dapat dirumuskan dengan
Ho : , dengan dan

Dapat diuji kesamaan vektor rata-rata dengan mencari matriks jumlah kuadrat dan hasil kali untuk

perlakuan dan sisa. Secara akuivalen, akan didapat hubungan ukuran relatif dari galat (sisa) dan total

(koreksi) jumlah dari kuadrat dan hasil kali berdasarkan bentuk (3-7). Untuk perhitungan statistik uji

digunakan tabel MANOVA

TABEL 2. One-Way MANOVA

Sumber Matriks jumlah dari kuadrat dan hasil Derajat

Variansi kali kebebasan

Perlakuan g–1

Galat (sisa)

total

Pengujian One-Way MANOVA mempunyai hipotesis dan

. Ho ditolak jika perbandingan dari variansi secara umum

 Ukuran berdasarkan statistik uji Wilks’ lambda. Untuk menentukan distribusi ۸*

digunakan statistika uji pada tabel 3 sebagai berikut:

Tabel 3. Distribusi dari Wilks’ lambda

Variabel Grup Distribusi sampling untuk data normal multivariat

p=1 ≥2

p=2 ≥2

p ≥1 =2

p ≥1 =3

Distribusi sampling data normal multivariat disesuaikan dengan hasil uji F pada kasus univariat bentuk

(2-23), sehingga untuk kasus multivariat Ho ditolak jika statistika uji berdasarkan tabel 3 lebih besar

daripada (>) distribusi sampling F.

Dengan bantuan program MINITAB 14 dapat dilakukan pengujian MANOVA. Jika nilai sig.

> α maka H0 diterima sehingga dapat disimpulkan tidak terdapat perbedaan pengaruh perlakuan di

antara populasi. Adapun langkah-langkah pengujian MANOVA menggunakan program MINITAB 14

dalam Lampiran 5 halaman 61.

C. Selang Kepercayaan Simultan untuk Beberapa Pengaruh Perlakuan

 Dalam pengujian One-Way MANOVA, diperoleh kesimpulan menerima atau menolak H 0.

Ketika H0 diterima maka kasus untuk pengujian One-Way MANOVA selesai, tetapi jika hipotesis H 0

ditolak yaitu terdapat perbedaan atau paling tidak ada satu , maka digunakan selang

kepercayaan simultan untuk memperkirakan besarnya perbedaan perlakuan antara populasi.

Untuk pasangan yang dibandingkan, pendekatan Bonferroni dapat digunakan untuk proses

selang kepercayaan bersama pada bagian-bagian yang berbeda seperti atau . Misalkan

merupakan perlakuan ke-i dari dengan dan perkiraan dari adalah

sehingga adalah perbedaan di antara dua sampel bebas.

Perhatikan bahwa
dengan adalah diagonal unsur ke-i dari dan . Dari bentuk (3-8) dapat

dirumuskan untuk

dengan dan adalah diagonal unsur ke-i dari W. Sehingga persamaan (3-11)

menjadi

Pada kasus One-Way MANOVA terdapat p variabel untuk setiap g populasi dan misalkan

adalah banyaknya kombinasi dua dari g, apabila perbedaan-perbedaan memuat dua vektor rata-rata
 populasi yang digunakan dan banyaknya perbedaan itu . Berdasarkan selang kepercayaan dua

sampel-t digunakan nilai kritis , dengan

dan m adalah jumlah dari pernyataan kepercayaan simultan.

Untuk model MANOVA dengan kepercayaan , selang kepercayaan simultan untuk perbedaan

adalah

Untuk setiap komponen dan semua

D. Contoh Kasus
Suatu penelitian dengan judul Perbedaan Kinerja Guru dan Profesionalitas Guru Antara Tipe
Kepemimpinan Demokratis, Permisif dan Otoriter Pada Sekolah Taman Dewasa Se Kodya
Yogyakarta. Adapun hipotesis yang akan diuji adalah:
1. Ada perbedaan yang signifikan kinerja guru antara tipe kepemimpinan demokratis, permisif, dan
otoritar.
2. Ada perbedaan yang signifikan profesionalisme guru antara tipe kepemimpinan demokratis,
premisif, dan otoritar
3. Kinerja guru dengan tipe kepemimpinan demokratis lebih baik dari tipe kepemimpinan permisif
dan otoriter.
4. Profesionalisme guru dengan tipe demokratis lebih baik dari tipe kepemimpinan permisif dan
otoriter.
Data yang diperoleh sebagai berukut :
Langkah-langkah
1. Definisikan variabel dan masukkan data ke SPSS
2. Pilih menu Analyze → General Linear Model → Multivariate

3. Masukkan Y1 dam Y2 ke Dependent Variable dan A ke Fixed Factor(s)

 4. Pada kotak Options pilih Test of Homogenity lalu kill continue 5. Pada kotak Post Hoc
pindahkan A ke Post Hoc tes for Pilih tukey
Pilih scheffe

Klik Continue , OK
Akan diperoleh hasil analisis OUTPUT:

HASIL ANALISIS
A. Uji Homogenitas

a. Design: Intercept + A
b. α = 0.05
c. Daerah kritis: H0 ditolak jika p value (Sig.) < 0.05
d. Statistic Uji P value (Sig. Y1) = 0.243 P value (Sig. Y2) = 0.007
 1. Nilai p value (Sig. Y1) = 0,423 > 0,05 maka H0 tidak ditolak. Dapat disimpulkan bahwa tidak ada
perbedaan yang signifikan kinerja guru antara tipe kepemimpinan demokratis, permisif, dan
otoritar.
2. Nilai p value (Sig. Y2) = 0,007 < 0,05 maka H0 ditolak. Dapat disimpulkan bahwa terdapat
perbedaan yang signifikan profesionalitas guru antara tipe kepemimpinan demokratis, permisif,
dan otoritar.

B. Uji Homogenitas Matriks Varian/ Kovarian

a. Design : Intercept + A
b. H0 : matriks varian /kovarian dari variabel dependen sama
H1 : varian/kovarian dari variabel dependen tidak sama
c. α = 0.05
d. Daerah kritis :H0 ditolak jika p value (Sig.) < 0.05
e. Statistic Uji P value (Sig. )= 0,018
Kesimpulan :
Karena p value (Sig.)= 0,018 < 0.05 maka H0 tidak ditolak sehingga dapat disimpulkan bahwa
matriks varian/ kovarian dari variabel dependen tidak sama.

C. Uji Manova
Uji Hipotesis :
a. H0: Tidak terdapat perbedaan kinerja guru (Y1) dan profesionalitas (Y2) antarademokratis,
permisif, dan otoritar.
H1: Terdapat perbedaan kinerja guru (Y1) dan profesionalitas (Y2) antarademokratis, permisif,
dan otoritar.
b. α = 0.05
c. Daerah kritis: H0 ditolak jika p value (Sig.) < 0.05
d. Statistic Uji dari tabel Multivariate Tests didapat nilai P value (sig.) = 0.000 Kesimpulan Karena p
value (Sig.) < 0.05 maka H0 ditolak sehingga dapat disimpulkan bahwa terdapat perbedaan kinerja
guru (Y1) dan profesionalitas guru (Y2) antara tipe kepemimpinan demokratis (A1), permisif (A2)
dan otoritar (A3).

Selanjutnya dari tabel Tests of Between-Subjects Effects, menunjukkan bahwa :

 1. Hubungan antara Tipe kepemimpinan (A) dengan kinerja guru (Y1) memiliki tingkat signifikansi
(sig. Y1) 0.000 < 0,05. Hal ini menunjukan bahwa terdapat perbedaan kinerja guru yang
diakibatkan oleh perbedaan tipe kepemimpinan.
2. Hubungan antara tipe kepemimpinan (A) dengan profesionalsme guru (Y2) memiliki signifikansi
(sig. Y2) 0.000<0,05. Hal ini menunjukan bahwa terdapat perbedaan hasil profesionalisme guru
yang diakibatkan oleh perbedaan tipe kepemimpinan.

Tabel Tests Multiple Comparisons:

Dari tabel Multiple Comparisons menunjukkan:

1. Antara kepemimpinan demokratis (A2) dengan tipe kepemimpinan permisif (A1) memiliki nilai
Mean Difference 8.50. Hal ini menunjukkan bahwa kinerja guru (Y1) dengan tipe kepemimpinan
demokratis (A2) lebih baik daripada kinerja guru (Y1) dengan tipe kepemimpinan permisif (A1).
2. Antara tipe kepemimpinan Demokratis (A2) dengan tipe kepemimpinan otoritar (A3) memiliki
Mean Difference -147. Hal ini menunjukkan bahwa kinerja guru (Y1) dengan tipe kepemimpinan
otoritar (A3) lebih baik dari tipe kepemimpinan demokratis (A2).
3. Antara tipe kepemimpinan Demokratis (A2) dan tipe kepemimpinan permisif (A1) memiliki
Mean Difference -12,23. Hal ini menunjukkan bahwa profesionalisme guru (Y2) dengan tipe
kepemimpinan permisif lebih baik daripada tipe kepemimpinan demokrats (A2).
4. Antara kepemimpinan Demokratis (A2) dan tipe kepemimpinan otoritar (A2) memiliki Mean
Difference 4,10. Hal ini menunjukkan bahwa profesionalisme guru (Y2) dengan tipe
kepemimpinan Demokratis (A2) lebih baik dari tipe kepemimpinan otoritar (A3).

Kesimpulan

1. Terdapat perbedaan yang signifikan kinerja guru antara tipe kepemimpinan demokratis, permisif,
dan otoritar.
2. Terdapat perbedaan yang signifikan profesionalisme guru antara tipe kepemimpinan demokratis,
permisif dan otoritar.
3. Kinerja guru dengan tipe kepemimpinan demokratis lebih baik dari tipe kepemimpinan permisif
dan otoritar.
a. Kinerja guru (Y1) dengan tipe kepemimpinan demokratis (A2) lebih baik dari tipe
kepemimpinan permisif (A1).
b. Kinerja guru (Y1) dengan tipe kepemimpinan otoritar (A3) lebih baik dari tipe kepemimpinan
demokratis (A2).
4. Profesionalisme guru dengan tipe kepemimpinan demokratis lebih baik dari tipe kepemimpinan
permisif dan otoritar.
a. Profesionalisme guru (Y2) dengan tipe kepemimpinan permisif (A2) lebih baik dari tipe
kepemimpinan demokratis (A2)
b. Profesionalisme guru (Y2) dengan tipe kepemimpinan demokratis (A2) lebih baik dari tipe
kepemimpinan otoritar (A3).