Dokumen ini membahas analisis varians (ANOVA) sebagai metode statistik untuk menguji perbedaan rata-rata antar lebih dari dua kelompok. ANOVA satu jalur digunakan untuk analisis data yang memiliki satu variabel bebas dan menerapkan beberapa asumsi statistik wajib sebelum pelaksanaan. Dokumen juga menjelaskan langkah-langkah dalam perhitungan ANOVA dan aplikasi praktisnya dalam penelitian eksperimen.

1. BAB 1
PENDAHULUAN
1.1
Latar Belakang
Kita tahu bahwa kumpulan hasil pengamatan mengenai sesuatu hal, skor hasil belajar
para siswa, berat bayi yang baru lahir, gaji pegawai di suatu perusahaan, hasil jagung setiap
hektar misalnya, nilai datanya bervariasi dari yang satu dengan yang lain. Karena adanya
variasi atau ragam ini untuk sekumpulan data, dalam materi ukuran simpangan, dispersi dan
variasi telah dihitung alat ukurnya, utamanya varians. Kita lihat juga bahwa varians bersamasama rata-rata telah banyak digunakan untuk membuat kesimpulan mengenai populasi, baik
secara deskriptif maupun secara induktif melalui penaksiran dan pengujian hipotesis
mengenai parameter. Dalam Analisis Variansi, dapat dilihat variasi-variasi yang muncul
karena adanya beberapa perlakuan (treatment) untuk menyimpulkan ada atau tidaknya
perbedaan rataan pada populasi.
Jika untuk menguji perbedaan rata-rata antara 2 kelompok independen digunakan
Uji-t, maka untuk melakukan uji terhadap perbedaan rata-rata antara 3 kelompok independen
atau lebih, kita tidak boleh menggunakan uji t berulang-ulang. Misalnya kita ingin
mengetahui apakah ada perbedaan rata-rata hasil antara 3 kelompok intervensi, apakah ada
perbedaan rata-rata berat badan bayi lahir menurut tingkat pendidikan ibu (rendah,
menengah, & tinggi).
Dalam menganalisis data seperti ini (lebih
dari dua kelompok) sangat tidak
dianjurkan menggunakan uji-t. Ada dua kelemahan jika menggunakan uji-t yaitu pertama:
kita harus melakukan pengujian berulang kali sesuai kombinasi yang mungkin, kedua: bila
melakukan uji-t berulang-ulang akan meningkatkan (inflasi) nilai α, inflasi nilai α sebesar = 1
- (1-α)n.
Untuk mengatasi masalah tersebut maka uji statistik yang dianjurkan (uji yang tepat)
dalam menganalisis beda lebih dari dua mean kelompok independen adalah Uji ANOVA atau
uji-F artinya akan meningkatkan peluang mendapatkan hasil yang keliru.
1.2 Rumusan Masalah
Adapun hal-hal yang akan dibahas dalam makalah ini adalah sebagai berikut:
1. Pengertian ANOVA
2. ANOVA satu jalur
3. Variabilitas dalam Anova dan Pengujiannya
1

2. 4. ANOVA satu arah dengan Rank
5. Aplikasi Analisis Varians Satu Jalur dalam Penelitian Eksperimen
6. Aplikasi Analisis Varians Satu Jalur dalam Penelitian Ex-Post-Facto
2

3. BAB 2
PEMBAHASAN
2.1 Pengertian ANOVA
Analisis varians (analysis of variance, ANOVA) adalah suatu metode analisis
statistika yang termasuk ke dalam cabang statistika inferensi. Dalam literatur Indonesia
metode ini dikenal dengan berbagai nama lain, seperti analisis ragam, sidik ragam, dan
analisis variansi. Ia merupakan pengembangan dari masalah Behrens-Fisher, sehingga uji-F
juga dipakai dalam pengambilan keputusan. Analisis varians pertama kali diperkenalkan oleh
Sir Ronald Fisher, bapak statistika modern. Dalam praktik, analisis varians dapat merupakan
uji hipotesis (lebih sering dipakai) maupun pendugaan (estimation, khususnya di bidang
genetika terapan). Analisis of variance atau ANOVA merupakan salah satu teknik analisis
multivariate yang berfungsi untuk membedakan rerata lebih dari dua kelompok data dengan
cara membandingkan variansinya. Analisis varian termasuk dalam kategori statistik
parametrik. Sebagai alat statistika parametrik, maka untuk dapat menggunakan rumus
ANOVA harus terlebih dahulu perlu dilakukan uji asumsi meliputi normalitas,
heterokedastisitas dan random sampling (Ghozali, 2009).
Analisis varian dapat dilakukan untuk menganalisis data yang berasal dari berbagai
macam jenis dan desain penelitian. Analisis varian banyak dipergunakan pada penelitianpenelitian yang banyak melibatkan pengujian komparatif yaitu menguji variabel terikat
dengan cara membandingkannya pada kelompok-kelompok sampel independen yang diamati.
Analisis varian saat ini banyak digunakan dalam penelitian survey dan penelitian eksperimen.
Secara umum, analisis varians menguji dua varians (atau ragam) berdasarkan hipotesis nol
bahwa kedua varians itu sama. Varians pertama adalah varians antarcontoh (among samples)
dan varians kedua adalah varians di dalam masing-masing contoh (within samples). Dengan
ide semacam ini, analisis varians dengan dua contoh akan memberikan hasil yang sama
dengan uji-t untuk dua rerata (mean).
Supaya sahih (valid) dalam menafsirkan hasilnya, analisis varians menggantungkan
diri pada empat asumsi yang harus dipenuhi dalam perancangan percobaan:
1. Data berdistibusi normal, karena pengujiannya menggunakan uji F-Snedecor
2. Varians atau ragamnya homogen, dikenal sebagai homoskedastisitas, karena hanya
digunakan satu penduga (estimate) untuk varians dalam contoh
3. Masing-masing contoh saling bebas, yang harus dapat diatur dengan perancangan
percobaan yang tepat
3

4. 4. Komponen-komponen dalam modelnya bersifat aditif (saling menjumlah).
Analisis varians relatif mudah dimodifikasi dan dapat dikembangkan untuk berbagai
bentuk percobaan yang lebih rumit. Selain itu, analisis ini juga masih memiliki keterkaitan
dengan analisis regresi. Akibatnya, penggunaannya sangat luas di berbagai bidang, mulai dari
eksperimen laboratorium hingga eksperimen periklanan, psikologi, dan kemasyarakatan.
Untuk membandingkan data hasil penelitian yang diperoleh dari 2 kelompok sampel
dapat dilakukan uji student “t” test, baik untuk sampel yang berkorelasi maupun independen.
Apabila kita memiliki banyak kelompok sampel, sedangkan kita berkeinginan untuk
membandingkan data dari seluruh kelompok tersebut tentu kurang efisien bila kita melakukan
uji “t” tersebut karena kita harus melakukan uji t untuk tiap 2 kelompok sampel. Sebagai
contoh apabila kita memiliki kelompok sampel A, B dan C maka kita harus melakukan
penghitungan dengan uji “t” antara kelompok A dan B, lalu antara kelompok A dan C serta
yang terakhir antara kelompok B dan C. Jadi praktis kita harus melakukan 3 kali uji t.
Berdasarkan hal tersebut akhirnya para ahli statistik mencari uji alternatif yang bisa
digunakan untuk membandingkan beberapa kelompok sampel dengan satu kali pengujian
saja. Uji Anova merupakan alternatif terbaik untuk mengatasi hal tersebut. Uji Anova sering
pula disebut uji F. Uji Anova ini merupakan salah satu uji statistik parametrik. Beberapa
persyaratan yang harus dipenuhi dalam melakukan uji Anova adalah sebagai berikut:
a. Sampel diambil secara acak dari masing-masing populasi.
b. Jika sampel mendapat perlakuan yang berbeda, maka penetapan jenis perlakuan
dilakukan dengan cara randomisasi.
c. Populasi-populasi asal sampel mempunyai distribusi normal.
d. Setiap populasi mempunyai varian sama.
e. Data yang diambil dalam skala data ratio atau interval.
Pada dasarnya ANOVA dapat dibagi menjadi dua kelompok besar, yaitu:
1.
Beberapa kelompok yang dihadapi merupakan pembagian dari satu independen variabel
(variabel bebas). Kondisi ini yang sering disebut dengan single factor experiment
(analisis varians satu arah), yang akan dibahas pada makalah ini.
2.
Beberapa kelompok yang dihadapi merupakan pembagian dari beberapa independen
(variabel bebas). Kondisi ini yang sering disebut dengan two way factor experiment
(analisis varians dua arah) One way ANOVA digunakan untuk menguji hipotesis ratarata k sampel, bila pada setiap sampel itu hanya terdiri atas satu kategori, sedangkan two
way Anova digunakan untuk menguji hipotesis rata-rata k sampel, bila setiap sampel
terdiri atas lebih dari satu kategori.
4

5. 2.2 Anova Satu Jalur (One Way Anova)
Analisis varians satu jalur merupakan teknik statistika parametrik yang digunakan
untuk pengujian perbedaan beberapa kelompok rata-rata, di mana hanya terdapat satu
variabel bebas atau independen yang dibagi dalam beberapa kelompok dan satu variabel
terikat atau dependen. Dalam teknik Anova satu jalur biasanya digunakan dalam penelitian
eksperimen atau pun Ex-Post-Facto (Widiyanto, 2013:260).
Asumsi yang digunakan adalah :
 Sampel diambil dari distribusi normal, sehingga sampel juga berdistribusi normal.
Kenormalan ini dapat diatasi dengan memperbesar jumlah sampel.
 Masing-masing kelompok mempunyai variabel yang sama.
 Sampel diambil secara acak.
Hipotesis dalam ANOVA akan membandingkan rata-rata dari beberapa populasi yang
diwakili oleh beberapa kelompok sampel secara bersama, sehingga hipotesis matematikanya
adalah :
H0 : µ1 = µ2 … = µk
o
Seluruh mean populasi adalah sama
o
Tak ada efek treatment (tak ada keragaman mean dalam grup)
H1 : tidak seluruh mean populasi adalah sama
o
Minimal ada 1 mean populasi yang berbeda
o
Terdapat sebuah efek treatment
o
Tidak seluruh mean populasi berbeda (beberapa pasang mungkin sama)
Bunyi hipotesis alternatif seperti tersebut diatas, merupakan hipotesis yang fleksibel, karena
tidak menyebutkan secara pasti µ mana yang berbeda dengan yang lainnya. Hal ini
mempunyai arti bahwa µ mana yang tidak sama bukan merupakan masalah dalam penolakan
hipotesis nol.
H0 pada One Way ANOVA adalah tidak ada perbedaan signifikan rata-rata sampel
yang ada. Bila H0 ditolak, maka analisisnya belum selesai sehingga perlu analisis lanjutan.
Analisis lanjutan setelah ANOVA sering disebut Post Hoc atau pasca-ANOVA adalah
sebagai berikut :
1) LSD (Least Significance Difference), digunakan untuk melakukan uji t di antara seluruh
pasangan kelompok mean. Uji ini sangat baik apabila pengujian mean yang akan
dibandingkan sebelumnya telah direncanakan.
5

6. 2) Tukey (HSD : Honestly Significant Difference), uji ini disebut uji beda nyata yang
merupakan perbaikan dari LSD karena uji ini untuk membandingkan mean tanpa
perencanaan terlebih dahulu.
3) Tukey’s-b, alternative lain dari uji Tukey.
4) Duncan, digunakan untuk menguji perbedaan di antara semua pasangan perlakuan yang
ada dari percobaan tersebut serta masih dapat mempertahankan tingkat signifikansi yang
ditetapkan.
5) S-N-K (Student Newman Keuls), pengembangan dari LSD dan Duncan.
6) Dunnet, digunakan untuk membandingkan mean dari semua perlakuan dengan mean
perlakuan control.
7) Scheffe, digunakan untuk pembanding yang tidak perlu orthogonal.
Grafik ANOVA 1 Jalur yang mempunyai Means sama:
Grafik ANOVA 1 Jalur yang mempunyai Means tidak sama:
2.3 Variabilitas dalam Anova dan Pengujiannya
Perhitungan dalam ANOVA didasarkan pada variance, walaupun tujuannya adalah
menguji beberapa perbedaan rata-rata. Hal ini telah disinggung di muka (pada saat
membicarakan rata-rata dua populasi). Kita baru bisa mengatakan bahwa rata-rata tersebut
berbeda apabila telah dilihat pula variabilitasnya. Ukuran yang baik untuk melihat variabilitas
6

7. adalah penyimpangan baku maupun variance. Oleh karena itu, pengujian disini pun
didasarkan pada variance.
Pengukuran total variabilitas atas data yang ada dapat dikelompokkan menjadi tiga
bagian:
1. Variabilitas antar kelompok, merupakan variasi rata-rata kelompok sampel terhadap ratarata keseluruhannya. Variasi ini lebih terpengaruh oleh adanya perbedaan perlakuan
(treatments) antar kelompok, disingkat SSb
2. Variabilitas dalam kelompok merupakan variasi yang ada dalam masing-masing
kelompok. Banyaknya variasi akan tergantung pada banyaknya kelompok, dan variasi ini
tidak terpengaruh oleh perbedaan perlakuan antar kelompok, disingkat SSw.
3. Jumlah kuadrat penyimpangan total, merupakan jumlah kuadrat selisih antara skor
individual dengan rata-rata totalnya, disingkat SSt
Derajat kebebasan (degrees of fredom) dalam ANOVA akan sebanyak variabilitas.
Oleh karena ada 3 macam variabilitas, maka dk pun ada tiga macam :
1. Derajat kebebasan untuk SSt, sebesar N-1
2. Derajat kebebasan untuk SSw
dk SSw = ∑ (n-1)
Disamping itu dk SSw dapat pula dicari dengan rumus :
dk SSw = N-k
Keterangan :
k
: adalah banyaknya kelompok
n
: adalah jumlah sampel keseluruhan
3. Derajat kebebasan untuk SSb sebesar k-1, hal ini disebabkan karena dk disini terikat
dengan banyaknya kelompok seperti halnya SSb.
Langkah-langkah dalam analisis Anova satu jalur sebagai berikut.
1. Menghitung jumlah kuadrat total (JKT), jumlah kuadrat rerata (JKR), jumlah kuadrat
total direduksi/dikoreksi (JKTR), jumlah kuadrat antar kelompok (JKA), dan jumlah
kuadrat dalam kelompok (JKD). Untuk menghitung masing-masing harga JK digunakan
rumus sebagai berikut.
a. JKT = Σ
b. JKR =
7

8. c. JKTR = Σ
=Σ
d. JKA = Σ
-
+
JKA =
+
+…+
-
e. JKD =
+Σ
JKD = Σ
+Σ
+.
.. + Σ
JKTR = JKA + JKD
atau
JKD = JKTR - JKA
2. Menghitung derajat kebebasan total (dbT), derajat kebebasan rerata (dbR), derajat
kebebasan direduksi/dikoreksi (dbTR), derajat kebebasan antar kelompok (dbA), dan
derajat kebebasan dalam kelompok (dbD), dengan rumus sebagai berikut.
a. dkT = n
b. dkR = 1
c. dkTR = n – 1
d. dkA = k – 1
e. dkD = n – k
3. Menghitung rata-rata jumlah kuadrat antar kelompok (RJKA) dan rata-rata jumlah
kuadrat dalam kelompok (RJKD), dengan rumus sebagai berikut.
a. RJKA =
b. RJKD =
4. Menghitung nilai F dengan rumus sebagai berikut.
F=
5. Melakukan interpretasi dan uji signifikansi dengan membandingkan nilai uji Fhitung
dengan Ftabel. Koefisien Ftabel diperoleh dari distribusi F yang nilainya didasarkan pada
derajat kebebasan antar kelompok (dbA) dan derajat kebebasan dalam kelompok (dbD)
pada taraf signifikansi baik α = 0,05 atau α = 0,01.
8

9. Apabila nilai Fhitung lebih besar dari Ftabel maka H0 ditolak dan H1 diterima yang
diinterpretasikan signifikan, berarti terdapat perbedaan rata-rata dari kelompok yang
dibandingkan. Sebaliknya jika nilai Fhitung lebih kecil dari Ftabel maka H0 diterima dan
H1 ditolak yang diinterpretasikan tidak signifikan, berarti tidak terdapat perbedaan
rata-rata dari kelompok yang dibandingkan.
Ftabel bisa dihitung pada tabel F:
o Tingkat signifikansi (α) adalah 5%
o Numerator adalah (k ─ 1) dalam ini sebagai pembilang (dk2)
o Denumerator adalah (N ─ k) dalam hal ini sebagai penyebut (dk1)
Jika menggunakan Microsoft Excel yaitu ketik =Finv(0.05,dk2,dk1).
6. Apabila adanya perbedaan yang signifikan, maka dilakukan uji lanjut. Untuk
kelompok data yang sama jumlahnya atau jumlah sampel tiap kelompok sama maka
dapat digunkaan uji Tukey. Sedangkan untuk kelompok data yang tidak sama
jumlahnya atau jumlah sampel tiap kelompok tidak sama dapat digunakan uji Scheffe.
Adapun rumus keduanya sebagai berikut.
a. Uji Tukey
Q=
b. Uji Scheffe
F=
2.4 Anova Satu Arah dengan Rank
Apabila variabel terikat mempunyai skala ordinal, maka analisisnya mempunyai
langkah yang agak berbeda dengan yang lain. Ini terjadi apabila syarat-syarat untuk
melakukan analisis of variance tidak terpenuhi. Untuk menghadapi data yang bersakal ordinal
maka digunakan Kruskeal-Walles.
Kruskal-walles menggunakan asumsi bahwa msing-masing kelompok sampel diambil dari
populasi yang sama. Kruskal-Walles dapat dihitung dengan rumus :
–
9

10. Keterangan :
S
: adalah jumlah rank
n
: adalah jumlah keseluruhan.
Langkah-Langkah pengujian hipotesis dengan skala ordinal adalah :
1.
Menyusun hipotesis :
Ho: Tidak ada perbedaaan antar kelompok
Ha : Paling sedikit satu kelompok tidak sama dengan kelompok lainnya
2.
Menyusun rank
Keseluruhan dapat diurutkan, bias dari yang terbesar kelompok yang terkecil atau
sebaliknya tergantung pada rank yang diukur. Hal yang perlu diperhatikan adalah angka
rank terkecil merupakan nilai yang tertinggi. Apabila terdapat persamaan pada individu
skor, maka rank merupakan nilai tengahnya (sering terjadi jika kita melakukan
perubahan skala dari ratio atau interval ke skala ordinal).
3.
Menghitung kruskel-Walles
4.
Membandingkan hasil perhitungan H dengan tabel (chi Square distribusi) berdasarkan
alpha dan derajat kebebasan = k-1
5.
Mengambil kesimpulan yaitu akan menerima hipotesis nol apabila H sama dengan atau
lebih kecil daripada nilai tabel, sebaliknya tolak hipotesis nol jika H lebih besar daripada
nilai tabel.
2.5 Aplikasi Analisis Varians Satu Jalur dalam Penelitian Eksperimen
Berikut ini contoh aplikasi Anova satu jalur dalam penelitian eksperimen. Misalnya,
Seorang peneliti melakukan suatu penelitian eksperimen untuk menguji efektivitas metode
mengajar IPA, yaitu metode pemecahan masalah (A), penugasan (B), diskusi (C), dan
ceramah (D). Judul penelitian tersebut sebagai berikut.
Pengaruh Metode Mengajar trehadap Hasil Belajar IPA Siswa di SMP XYZ
Malang
Berdasarkan judul di atas dirumuskan permasalahan sebagai berikut.
1. Apakah terdapat perbedaan hasil belajar IPA siswa ditinjau dari metode mengajar?
2. Apakah terdapat perbedaan hasil belajar IPA siswa antara yang diajar menggunakan
metode pemecahan masalah dengan penugasan?
3. Apakah terdapat perbedaan hasil belajar IPA siswa antara yang diajar menggunakan
metode pemecahan masalah dengan diskusi?
10

11. 4. Apakah terdapat perbedaan hasil belajar IPA siswa antara yang diajar menggunakan
metode pemecahan masalah dengan ceramah?
5. Apakah terdapat perbedaan hasil belajar IPA siswa antara yang diajar menggunakan
metode penugasan dengan diskusi?
6. Apakah terdapat perbedaan hasil belajar IPA siswa antara yang diajar menggunakan
metode penugasan dengan ceramah?
7. Apakah terdapat perbedaan hasil belajar IPA siswa antara yang diajar menggunakan
metode diskusi dengan ceramah?
Hipotesis penelitian dinyatakan sebagai berikut.
1. Terdapat perbedaan hasil belajar IPA siswa ditinjau dari metode mengajar.
2. Hasil belajar IPA siswa antara yang diajar menggunakan metode pemecahan masalah
lebih tinggi dibandingkan dengan penugasan.
3. Hasil belajar IPA siswa antara yang diajar menggunakan metode pemecahan masalah
lebih tinggi dibandingkan dengan diskusi.
4. Hasil belajar IPA siswa antara yang diajar menggunakan metode pemecahan masalah
lebih tinggi dibandingkan dengan ceramah.
5. Hasil belajar IPA siswa antara yang diajar menggunakan metode penugasan lebih
tinggi dibandingkan dengan diskusi.
6. Hasil belajar IPA siswa antara yang diajar menggunakan metode penugasan lebih
tinggi dibandingkan dengan ceramah.
7. Hasil belajar IPA siswa antara yang diajar menggunakan metode ceramah lebih
rendah dibandingkan dengan diskusi.
Dari jumlah siswa sebanyak 40 orang diambil secara acak sebanayk 28 siswa dan
dimasukkan ke dalam 4 kelas dengan masing-masing kelas terdiri dari 7 siswa yang diajar
dengan metode yang berbeda-beda.
Pada akhir eksperimen, setiap siswa dalam kelompok tersebut dikenai pengukuran dan
diperoleh data sebagai berikut.
Tabel 2.1 Data Hasil Belajar IPA Siswa Untuk Pengujian
ANOVA Satu Jalur
No
1
2
3
4
5
Metode A
88
87
90
91
93
Hasil Belajar IPA
Metode B
Metode D
82
74
77
70
87
72
85
76
80
78
11
Metode C
68
66
64
69
71

12. 6
7
86
95
79
84
73
75
68
70
Berdasarkan data pada tabel 2.1 tentang data pengukuran hasil belajar siswa,
kemudian dimasukkan dalam lembar kerja SPSS pada Data View, pada kolom pertama isikan
data metode mengajar dimana untuk metode mengajar Pemecahan Masalah diberikan angka
1, Penugasan diberikan angka 2, Diskusi diberikan angka 3 dan Ceramah diberikan angka
4, kemudian pada kolom kedua isikan dengan data hasil belajar IPA siswa.
Kemudian pada lembar kerja Variabel View diberikan nama dan label. Pada baris
pertama diberikan nama Metode Mengajar. Pada kolom Value di klik dan diberikan nama
Value 1 untuk Pemecahan Masalah dan klik Add, Value 2 untuk label Penugasan dan klik
Add, Value 3 untuk Diskusi dan klik Add, dan Value 4 untuk label Ceramah dan klik Add,
Kemudian pada baris kedua diberikan nama Hasil Belajar lalu klik Ok. Tampilannya
sebagai berikut.
Selanjutnya klik analyze, pilih compare means, kemudian pilih dan klik one way
Anova, sehingga muncul tampilan sebagai berikut:
12

13. Masukkan variabel Metode mengajar ke dalam kotak Factor dan Hasil Belajar ke dalam
kotak Dependent List. Kemudian klik Post Hoc untuk menguji metode mengajar mana yang
hasil belajarnya lebih tinggi, apakah metode Pemecahan Masalah, Penugasan, Diskusi, atau
Ceramah. Tampilannya sebagai berikut.
Apabila jumlah data (responden) untuk tiap latar belakang adalah sama, misalnya
siswa yang menjadi sampel penelitian pada masing-masing kelas yang diajar dengan metode
mengajar pemecahan masalah, penugasan, diskusi dan ceramah sama-sama 7 orang, maka
klik pada kotak Tukey dan apabila jumlah data (responden) untuk tiap latar belakang berbeda
maka klik Scheffe.
Dalam contoh ini klik Tukey karena jumlah data semua kelompok sama. Selanjutnya
klik Continue, klik Options, maka akan muncul tampilan sebagai berikut.
13

14. Selanjutnya pada kotak Homogeneity of Variance Test diklik. Hal ini untuk melakukan
pengujian homogenitas varians. Untuk uji perbedaan, selain harus memenuhi asumsi data
berdistribusi atau berada dalam sebaran normal, juga harus memenuhi asumsi bahwa data
dari kelompok yang akan dibandingkan harus memiliki varians yang homogen (Asumsi
Homogenitas Varians). Untuk mengetahui plot estimasi rerata dari hasil belajar terhadap
metode mengajar pada kotak Means plot diklik.
Dengan demikian dalam uji perbedaan harus dilakukan uji persyaratan analisis yaitu
uji normalitas data dan uji homogenitas. Uji normalitas data adalah hal yang lazim dilakukan
sebelum sebuah metode statistik. Tujuan uji normalitas adalah untuk mengetahui apakah
distribusi data mengikuti atau mendekati distribusi normal, yakni distribusi data yang
mempunyai pola seperti distribusi normal (distribusi tersebut tidak melenceng ke kiri maupun
ke kanan). Uji homogenitas dilakukan untuk mengetahui apakah varians dari kelompok
berbeda yang akan dibandingkan adalah homogen. Uji homogenitas varians dilakukan untuk
peneliti yang bersifat membandingkan (Eksperimen, Ex-Post-Facto atau Komparatif).
Uji Normalitas Kolmogorov-Smirnov
Lakukan analisis dengan cara: pilih menu Analize, kemudian sub menu Nonarametrics Test.
Dari serangkaian pilihan yang ada, pilih 1-Sample K-S, akan muncul kotak dialog sebagai
berikut.
14

15. Pindahkan semua variabel ke kotak Test Variable List dengan cara menandai semua
variabel, kemudian menekan tanda >. Klik Options sehingga muncul kotak dialog sebagai
berikut, kemudian centang Descriptive lalu klik Continue
Klik OK sehingga akan muncul Output sebagai berikut:
Descriptive Statistics
N
Mean
Std. Deviation
Minimum
Maximum
Metode_Mengajar
28
2.50
1.139
1
4
Hasil_Belajar
28
78.50
8.905
64
95
One-Sample Kolmogorov-Smirnov Test
Metode_Mengaj
ar
N
Normal Parameters
Hasil_Belajar
28
a,b
28
2.50
78.50
1.139
8.905
Absolute
.170
.089
Positive
.170
.089
Mean
Std. Deviation
Most Extreme Differences
15

16. Negative
-.170
-.089
Kolmogorov-Smirnov Z
.898
.470
Asymp. Sig. (2-tailed)
.395
.980
a. Test distribution is Normal.
b. Calculated from data.
Interpretasi Kolomogorov Smirnov
Perhatikan pada tabel di atas, pada bagian Normal parametersa,b pada baris Absolute
diperoleh hasil analisis sebesar 0,170 untuk Metode Mengajar dan 0,089 untuk Hasil Belajar.
Pada bagian Assym.Sig. (2 tailed) atau P-value diperoleh koefisien 0,395 untuk Metode
Mengajar dan 0,980 untuk variabel Hasil Belajar.
Untuk menyatakan apakah data berasal dari populasi yang berdistribusi normal atau
tidak dapat dilakukan dengan membandingkan koefisien Assym.Sig. (2 tailed) atau P-value
dengan 0,05 (taraf signifikansi). Apabila P-value lebih besar dari 0,05 (taraf signifikansi)
yang berarti tidak signifikan, maka memiliki makna bahwa data berasal dari populasi yang
berdistribusi normal.
Sebaliknya apabila P-value lebih kecil dari 0,05 yang berarti signifikan, maka
memiliki makna bahwa data berasal dari populasi yang berdistribusi tidak normal.
Berdasarkan hasil analisis menunjukkan bahwa P-value > 0,05 yaitu 0,395>0,05 dan
0,980>0,05 sehingga sampel berasal dari populasi yang berdistribusi normal.
Karena data berdistribusi normal, maka uji ANOVA satu jalur bisa dilakukan, berikut
adalah tabel hasil uji ANOVA satu jalur, Berikut ini output dari hasisl analisis untuk
pengujian homogenitas menggunakan program SPSS.
Selanjutnya klik Descriptive dan klik Continue dan kembali ke tampilan awal dan
klik Ok. Berikut ini output dari hasil analisis uji perbedaan dengan menggunakan Anova satu
jalur dan uji homogenitas.
Oneway
Descriptives
Hasil_Belajar
95% Confidence Interval for
N
Mean
Std.
Deviation
Error
Mean
Std.
Upper
Bound
Pemecahan
Lower
Minimum
Maximum
Bound
7
90.00
3.266
1.234
86.98
93.02
86
95
7
82.00
3.559
1.345
78.71
85.29
77
87
Masalah
Penugasan
16

17. Diskusi
7
74.00
2.646
1.000
71.55
76.45
70
78
Ceramah
7
68.00
2.380
.900
65.80
70.20
64
71
28
78.50
8.905
1.683
75.05
81.95
64
95
Total
Test of Homogeneity of Variances
Hasil_Belajar
Levene Statistic
.714
df1
df2
3
Sig.
24
.553
ANOVA
Hasil_Belajar
Sum of Squares
Between Groups
Within Groups
Total
df
Mean Square
F
1925.000
3
641.667
216.000
24
9.000
2141.000
Sig.
71.296
.000
27
Post Hoc Test
Multiple Comparisons
Hasil_Belajar
Tukey HSD
(I) Metode_Mengajar
(J) Metode_Mengajar
95% Confidence Interval
Mean
Difference (I-J) Std. Error
Pemecahan Masalah
Penugasan
Diskusi
Ceramah
Penugasan
Pemecahan Masalah
Diskusi
Ceramah
Diskusi
Pemecahan Masalah
Penugasan
Ceramah
Ceramah
Pemecahan Masalah
Penugasan
Diskusi
Lower Bound
Upper Bound
.000
3.58
12.42
1.604
.000
11.58
20.42
1.604
.000
17.58
26.42
1.604
.000
-12.42
-3.58
1.604
.000
3.58
12.42
1.604
.000
9.58
18.42
1.604
.000
-20.42
-11.58
1.604
.000
-12.42
-3.58
1.604
.005
1.58
10.42
1.604
.000
-26.42
-17.58
1.604
.000
-18.42
-9.58
1.604
.005
-10.42
-1.58
*
1.604
16.000
*
22.000
*
-8.000
*
8.000
*
14.000
*
-16.000
*
-8.000
*
6.000
*
-22.000
*
-14.000
*
*
8.000
-6.000
*. The mean difference is significant at the 0.05 level.
17
Sig.

18. Homogeneous Subsets
Hasil_Belajar
Tukey HSD
a
Metode_Mengajar
Subset for alpha = 0.05
N
1
Ceramah
7
Diskusi
7
Penugasan
7
Pemecahan Masalah
2
3
7
Sig.
4
68.00
74.00
82.00
90.00
1.000
1.000
1.000
1.000
Means for groups in homogeneous subsets are displayed.
a. Uses Harmonic Mean Sample Size = 7.000.
Means Plots
Interpretasi
1. Output Test Homogeneity Of Variance merupakan hasil dari uji homogenitas varians.
Untuk menyatakan apakah varians adalah homogen atau tidak dengan melihat koefisien
P-value. Apabila koefisien P-value lebih besar dari taraf signifikansi pada α = 0,05 maka
dinyatakan tidak signifikan yang berarti bahwa varians adalah homogen. Sebaliknya
apabila koefisien P-value lebih kecil dari taraf signifikansi pada α = 0,05 maka
dinyatakan signifikansi yang berarti bahwa varians tidak homogen. Hasil analisis
diperoleh koefisien levene sebesar 0,714 dengan P-value sebesar 0,553. Oleh karena Pvalue lebih besar dari 0,05 maka dinyatakan bahwa varians dari kelompok yang
dibandingkan adalah homogen.
2. Output ANOVA sebagai hasil analisis yang digunakan untuk menentukan apakah
hipotesis penelitian diterima atau tidak. Untuk mengetahui apakah ada perbedaan hasil
belajar IPA siswa ditinjau dari metode mengajar dengan melihat besarnya koefisien F
18

19. hitung atau P-value dan membandingkannya dengan F tabel atau taraf signifikansi baik
pada α = 0,05 atau α = 0,01.
Apabila F hitung lebih besar dari F tabel yang besarnya 3,008 atau P-value lebih kecil
dari 0,05 maka dinyatakan terdapat perbedaan yang berarti hipotesis kerja (H1) diterima
dan hipotesis nol (H0) ditolak. Hasil analisis menunjukkan bahwa koefisien F hitung
sebesar 71,296 dengan P-value sebesar 0,000.
Oleh karena P-value lebih kecil dari 0,05 bahkan 0,01 maka hipotesis kerja diterima
yang berarti terdapat perbedaan yang sangat signifikan hasil belajar IPA siswa yang
diajar menggunakan keempat metode mengajar.
3. Oleh karena adanya perbedaan, maka dilakukan uji lanjut. Uji lanjut dilakukan dengan
uji Tukey dikarenakan jumlah data untuk masing-masing kelompok sama. Pada tabel
Multiple Comparasions diketahui bahwa:
a. Hasil belajar IPA siswa yang diajar dengan menggunakan metode pemecahan
masalah dengan metode penugasan memiliki perbedaan rata-rata Mean Difference (IJ) sebesar 8,000 dengan P-value sebesar 0,000. Oleh karena koefisien P-value lebih
kecil dari 0,05 bahkan 0,01 maka disimpulkan terdapat perbedaan yang signifikan
siswa yang diajar dengan menggunakan metode pemecahan masalah dengan metode
penugasan.
Berdasarkan nilai rata-rata pada tabel Descriptives menunjukkan bahwa nilai ratarata siswa yang diajar dengan menggunakan metode pemecahan masalah lebih tinggi
dibandingkan dengan metode penugasan (90, 00 > 82,00).
Dengan demikian hasil belajar siswa yang diajar dengan menggunakan metode
pemecahan masalah lebih tinggi dibandingkan dengan metode penugasan.
b. Hasil belajar IPA siswa yang diajar dengan menggunakan metode pemecahan
masalah dengan metode diskusi memiliki perbedaan rata-rata Mean Difference (I-J)
sebesar 16,000 dengan P-value sebesar 0,000. Oleh karena koefisien P-value lebih
kecil dari 0,05 bahkan 0,01 maka disimpulkan terdapat perbedaan yang signifikan
siswa yang diajar dengan menggunakan metode pemecahan masalah dengan metode
diskusi.
Berdasarkan nilai rata-rata pada tabel Descriptives menunjukkan bahwa nilai ratarata siswa yang diajar dengan menggunakan metode pemecahan masalah lebih tinggi
dibandingkan dengan metode diskusi (90, 00 > 74,00).
Dengan demikian hasil belajar siswa yang diajar dengan menggunakan metode
pemecahan masalah lebih tinggi dibandingkan dengan metode diskusi.
19

20. c. Hasil belajar IPA siswa yang diajar dengan menggunakan metode pemecahan
masalah dengan metode ceramah memiliki perbedaan rata-rata Mean Difference (IJ) sebesar 22,000 dengan P-value sebesar 0,000. Oleh karena koefisien P-value lebih
kecil dari 0,05 bahkan 0,01 maka disimpulkan terdapat perbedaan yang signifikan
siswa yang diajar dengan menggunakan metode pemecahan masalah dengan metode
ceramah.
Berdasarkan nilai rata-rata pada tabel Descriptives menunjukkan bahwa nilai ratarata siswa yang diajar dengan menggunakan metode pemecahan masalah lebih tinggi
dibandingkan dengan metode ceramah (90, 00 > 68,00).
Dengan demikian hasil belajar siswa yang diajar dengan menggunakan metode
pemecahan masalah lebih tinggi dibandingkan dengan metode ceramah.
d. Hasil belajar IPA siswa yang diajar dengan menggunakan metode penugasan dengan
metode diskusi memiliki perbedaan rata-rata Mean Difference (I-J) sebesar 8,000
dengan P-value sebesar 0,000. Oleh karena koefisien P-value lebih kecil dari 0,05
bahkan 0,01 maka disimpulkan terdapat perbedaan yang signifikan siswa yang diajar
dengan menggunakan metode penugasan dengan metode diskusi.
Berdasarkan nilai rata-rata pada tabel Descriptives menunjukkan bahwa nilai ratarata siswa yang diajar dengan menggunakan metode penugasan lebih tinggi
dibandingkan dengan metode diskusi (82, 00 > 74,00).
Dengan demikian hasil belajar siswa yang diajar dengan menggunakan metode
penugasan lebih tinggi dibandingkan dengan metode diskusi.
e. Hasil belajar IPA siswa yang diajar dengan menggunakan metode penugasan dengan
metode ceramah memiliki perbedaan rata-rata Mean Difference (I-J) sebesar 14,000
dengan P-value sebesar 0,000. Oleh karena koefisien P-value lebih kecil dari 0,05
bahkan 0,01 maka disimpulkan terdapat perbedaan yang signifikan siswa yang diajar
dengan menggunakan metode penugasan dengan metode ceramah.
Berdasarkan nilai rata-rata pada tabel Descriptives menunjukkan bahwa nilai ratarata siswa yang diajar dengan menggunakan metode penugasan lebih tinggi
dibandingkan dengan metode ceramah (82, 00 > 68,00).
Dengan demikian hasil belajar siswa yang diajar dengan menggunakan metode
penugasan lebih tinggi dibandingkan dengan metode ceramah.
f. Hasil belajar IPA siswa yang diajar dengan menggunakan metode diskusi dengan
metode ceramah memiliki perbedaan rata-rata Mean Difference (I-J) sebesar 6,000
dengan P-value sebesar 0,005. Oleh karena koefisien P-value lebih kecil dari 0,05
20

21. bahkan 0,01 maka disimpulkan terdapat perbedaan yang signifikan siswa yang diajar
dengan menggunakan metode diskusi dengan metode ceramah.
Berdasarkan nilai rata-rata pada tabel Descriptives menunjukkan bahwa nilai ratarata siswa yang diajar dengan menggunakan metode diskusi lebih tinggi
dibandingkan dengan metode ceramah (74, 00 > 68,00).
Dengan demikian hasil belajar siswa yang diajar dengan menggunakan metode
diskusi lebih tinggi dibandingkan dengan metode ceramah.
4. Plot dari output di atas merupakan plot estimasi rerata dari hasil belajar IPA siswa
terhadap metode mengajar. Dari plot Nampak bahwa hasil belajar IPA siswa tertinggi
adalah yang diajar menggunakan metode pemecahan masalah, jadi peneliti dapat
menganjurkan kepada guru di SMP XYZ Malang untuk menggunakan metode mengajar
pemecahan masalah agar hasil belajar siswanya menjadi lebih tinggi.
2.6 Aplikasi Analisis Varians Satu Jalur dalam Penelitian Ex-Post-Facto
Berikut ini contoh aplikasi ANOVA satu jalur dalam penelitian ex-post-facto.
Misalnya, suatu penelitian dengan judul Analisis Hasil Panen Padi Ditinjau dari Varietas
padi. Dari masing-masing varietas diambil secara acak, kemudian diukur dan diperoleh data
sebagai berikut.
Tabel 2.2 Data Pengukuran Hasil Panen Padi Untuk
Pengujian ANOVA Satu Jalur
Hipa-3
96
37
58
69
73
81
Hasil Panen Padi
Sembada B9
Hipa-6
93
60
81
54
79
78
101
56
96
61
102
69
Sembada B5
76
89
88
84
75
68
Berdasarkan data tersebut hipotesis penelitian dinyatakan sebagai berikut.
1. Terdapat perbedaan hasil panen padi ditinjau dari varietas padi.
2. Hasil panen padi varietas Hipa-3 lebih rendah dibandingkan dengan Sembada B9
3. Hasil panen padi varietas Hipa-3 lebih tinggi dibandingkan dengan Hipa-6
4. Hasil panen padi varietas Hipa-3 lebih rendah dibandingkan dengan Sembada B5
5. Hasil panen padi varietas Sembada B9 lebih tinggi dibandingkan dengan Hipa-6
6. Hasil panen padi varietas Sembada B9 lebih tinggi dibandingkan dengan Sembada
B5
21

22. 7. Hasil panen padi varietas Sembada Hipa-6 lebih rendah dibandingkan dengan
Sembada B5
Berdasarkan data pada tabel 2.2 tentang data pengukuran hasil panen padi, kemudian
dimasukkan dalam lembar kerja SPSS pada Data View, pada kolom pertama isikan data
Hasil Panen, kemudian pada kolom kedua isikan dengan data Varietas Padi dimana untuk
varietas Hipa-3 diberikan angka 1, Sembada B9 diberikan angka 2, Hipa-6 diberikan angka
3 dan Sembada B5 diberikan angka 4.
Kemudian pada lembar kerja Variabel View diberikan nama dan label. Pada baris
pertama diberikan nama Hasil Panen, pada baris kedua diberikan nama Varietas Padi
kemudian pada kolom Value di klik dan diberikan nama Value 1 untuk Pemecahan Hipa-3
dan klik Add, Value 2 untuk Sembada B9 dan klik Add, Value 3 untuk Hipa-6 dan klik
Add, dan Value 4 untuk label Sembada B5 dan klik Add, lalu klik Ok.
Dengan cara yang sama seperti pada penelitian experiment maka didapat output
sebagai berikut.
Uji Normalitas Kolmogorov-Smirnov
Descriptive Statistics
N
Mean
Std. Deviation
Minimum
Maximum
Hasil_Panen
24
76.00
16.434
37
102
Varietas_Padi
24
2.50
1.142
1
4
One-Sample Kolmogorov-Smirnov Test
Hasil_Panen
N
Varietas_Padi
24
24
76.00
2.50
16.434
1.142
Absolute
.069
.169
Positive
.069
.169
Negative
Normal Parameters
a,b
-.063
-.169
.340
.829
1.000
.498
Mean
Std. Deviation
Most Extreme Differences
Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)
a. Test distribution is Normal.
b. Calculated from data.
Interpretasi Kolomogorov Smirnov
Perhatikan pada tabel di atas, pada bagian Normal parametersa,b pada baris Absolute
diperoleh hasil analisis sebesar 0.069 untuk Hasil Panen dan 0,169 untuk Varietas Padi. Pada
22

23. bagian Assym.Sig. (2 tailed) atau P-value diperoleh koefisien 1,000 untuk Hasil Panen dan
0,498 untuk variabel Varietas Padi.
Untuk menyatakan apakah data berasal dari populasi yang berdistribusi normal atau
tidak dapat dilakukan dengan membandingkan koefisien Assym.Sig. (2 tailed) atau P-value
dengan 0,05 (taraf signifikansi). Apabila P-value lebih besar dari 0,05 (taraf signifikansi)
yang berarti tidak signifikan, maka memiliki makna bahwa data berasal dari populasi yang
berdistribusi normal.
Sebaliknya apabila P-value lebih kecil dari 0,05 yang berarti signifikan, maka
memiliki makna bahwa data berasal dari populasi yang berdistribusi tidak normal.
Berdasarkan hasil analisis menunjukkan bahwa P-value > 0,05 yaitu 1,000>0,05 dan
0,498>0,05 sehingga sampel berasal dari populasi yang berdistribusi normal.
Karena data berdistribusi normal, maka uji ANOVA satu jalur bisa dilakukan, berikut
adalah tabel hasil uji ANOVA satu jalur, Berikut ini output dari hasisl analisis untuk
pengujian homogenitas menggunakan program SPSS.
Selanjutnya klik Descriptive dan klik Continue dan kembali ke tampilan awal dan
klik Ok. Berikut ini output dari hasil analisis uji perbedaan dengan menggunakan Anova satu
jalur dan uji homogenitas.
Oneway
Descriptives
Hasil_Panen
95% Confidence Interval for
Mean
N
Mean
Std. Deviation Std. Error
Lower Bound
Upper Bound
Minimum
Maximum
Hipa-3
6
69.00
20.169
8.234
47.83
90.17
37
96
Sembada B9
6
92.00
9.879
4.033
81.63
102.37
79
102
Hipa-6
6
63.00
8.989
3.670
53.57
72.43
54
78
Sembada B5
6
80.00
8.319
3.396
71.27
88.73
68
89
24
76.00
16.434
3.355
69.06
82.94
37
102
Total
Test of Homogeneity of Variances
Hasil_Panen
Levene Statistic
1.402
df1
df2
3
Sig.
20
.271
23

24. ANOVA
Hasil_Panen
Sum of Squares
df
Mean Square
F
Between Groups
2940.000
3
980.000
Within Groups
3272.000
20
163.600
Total
6212.000
Sig.
5.990
.004
23
Post Hoc Tes
Multiple Comparisons
Hasil_Panen
Tukey HSD
(I) Varietas_Padi
(J) Varietas_Padi
95% Confidence Interval
Mean
Difference (I-J)
Std. Error
Sig.
Lower Bound
Upper Bound
7.385
.026
-43.67
-2.33
6.000
7.385
.848
-14.67
26.67
-11.000
7.385
.462
-31.67
9.67
23.000
*
7.385
.026
2.33
43.67
Hipa-6
29.000
*
7.385
.004
8.33
49.67
Sembada B5
12.000
7.385
.388
-8.67
32.67
Hipa-3
-6.000
7.385
.848
-26.67
14.67
Sembada B9
-29.000
*
7.385
.004
-49.67
-8.33
Sembada B5
Hipa-3
*
-17.000
7.385
.131
-37.67
3.67
11.000
7.385
.462
-9.67
31.67
-12.000
7.385
.388
-32.67
8.67
17.000
7.385
.131
-3.67
37.67
Sembada B9
-23.000
Hipa-6
Sembada B5
Sembada B9
Hipa-6
Sembada B5
Hipa-3
Hipa-3
Sembada B9
Hipa-6
*. The mean difference is significant at the 0.05 level.
Homogeneous Subsets
Hasil_Panen
Tukey HSD
a
Varietas_Padi
Subset for alpha = 0.05
N
1
2
Hipa-6
6
63.00
Hipa-3
6
69.00
Sembada B5
6
80.00
Sembada B9
6
Sig.
80.00
92.00
.131
.388
Means for groups in homogeneous subsets are
displayed.
a. Uses Harmonic Mean Sample Size = 6.000.
24

25. Means Plots
Interpretasi
1. Output Test Homogeneity Of Variance merupakan hasil dari uji homogenitas varians.
Untuk menyatakan apakah varians adalah homogen atau tidak dengan melihat koefisien
P-value. Apabila koefisien P-value lebih besar dari taraf signifikansi pada α = 0,05 maka
dinyatakan tidak signifikan yang berarti bahwa varians adalah homogen. Sebaliknya
apabila koefisien P-value lebih kecil dari taraf signifikansi pada α = 0,05 maka
dinyatakan signifikansi yang berarti bahwa varians tidak homogen. Hasil analisis
diperoleh koefisien levene sebesar 1,402 dengan P-value sebesar 0,271. Oleh karena Pvalue lebih besar dari 0,05 maka dinyatakan bahwa varians dari kelompok yang
dibandingkan adalah homogen.
2. Output ANOVA sebagai hasil analisis yang digunakan untuk menentukan apakah
hipotesis penelitian diterima atau tidak. Untuk mengetahui apakah ada perbedaan hasil
panen padi ditinjau dari varietas padi dengan melihat besarnya koefisien F hitung atau Pvalue dan membandingkannya dengan F tabel atau taraf signifikansi baik pada α = 0,05
atau α = 0,01.
Apabila F hitung lebih besar dari F tabel yang besarnya 3,098 atau P-value lebih kecil
dari 0,05 maka dinyatakan terdapat perbedaan yang berarti hipotesis kerja (H1) diterima
dan hipotesis nol (H0) ditolak. Hasil analisis menunjukkan bahwa koefisien F hitung
sebesar 5,990 dengan P-value sebesar 0,004.
Oleh karena P-value lebih kecil dari 0,05 bahkan 0,01 maka hipotesis kerja diterima
yang berarti terdapat perbedaan yang sangat signifikan hasil panen padi ditinjau dari
varietas padi.
25

26. 3. Oleh karena adanya perbedaan, maka dilakukan uji lanjut. Uji lanjut dilakukan dengan
uji Tukey dikarenakan jumlah data untuk masing-masing kelompok sama. Pada tabel
Multiple Comparasions diketahui bahwa:
a. Hasil panen padi varietas Hipa-3 dengan varietas Sembada B9 memiliki perbedaan
rata-rata Mean Difference (I-J) sebesar 23,000 dengan P-value sebesar 0,026. Oleh
karena koefisien P-value lebih kecil dari 0,05 maka disimpulkan terdapat perbedaan
yang signifikan hasil panen padi varietas Hipa-3 dengan varietas Sembada B9.
Berdasarkan nilai rata-rata pada tabel Descriptives menunjukkan bahwa nilai ratarata hasil panen padi varietas Hipa-3 lebih rendah daripada varietas Sembada B9
(69,00 < 92,00). Dengan demikian hasil hasil panen padi varietas Hipa-3 lebih rendah
daripada varietas Sembada B9.
b. Hasil panen padi varietas Hipa-3 dengan varietas Hipa-6 memiliki perbedaan ratarata Mean Difference (I-J) sebesar 6,000 dengan P-value sebesar 0,848. Oleh karena
koefisien P-value lebih besar dari 0,05 maka disimpulkan tidak terdapat perbedaan
yang signifikan hasil panen padi varietas Hipa-3 dengan varietas Hipa-6.
Berdasarkan nilai rata-rata pada tabel Descriptives menunjukkan bahwa nilai ratarata hasil panen padi varietas Hipa-3 lebih tinggi daripada varietas Hipa-6 (69,00 >
63,00). Dengan demikian hasil hasil panen padi varietas Hipa-3 lebih tinggi daripada
varietas Hipa-6.
c. Hasil panen padi varietas Hipa-3 dengan varietas Sembada-B5 memiliki perbedaan
rata-rata Mean Difference (I-J) sebesar 11,000 dengan P-value sebesar 0,462. Oleh
karena koefisien P-value lebih besarl dari 0,05 maka disimpulkan tidak terdapat
perbedaan yang signifikan hasil panen padi varietas Hipa-3 dengan varietas Sembada
B5.
Berdasarkan nilai rata-rata pada tabel Descriptives menunjukkan bahwa nilai ratarata hasil panen padi varietas Hipa-3 lebih rendah daripada varietas Sembada B5
(69,00 < 80,00). Dengan demikian hasil hasil panen padi varietas Hipa-3 lebih rendah
daripada varietas Sembada B5.
d. Hasil panen padi varietas Sembada B9 dengan varietas Hipa-6 memiliki perbedaan
rata-rata Mean Difference (I-J) sebesar 29,000 dengan P-value sebesar 0,004. Oleh
karena koefisien P-value lebih kecil dari 0,05 bahkan 0,01 maka disimpulkan
terdapat perbedaan yang signifikan hasil panen padi varietas Sembada B9 dengan
varietas Hipa-6.
26

27. Berdasarkan nilai rata-rata pada tabel Descriptives menunjukkan bahwa nilai ratarata hasil panen padi varietas Sembada B9 lebih tinggi daripada varietas Hipa-6
(92,00 > 63,00). Dengan demikian hasil hasil panen padi varietas Sembada B9 lebih
tinggi daripada varietas Hipa-6.
e. Hasil panen padi varietas Sembada B9 dengan varietas Sembada B5 memiliki
perbedaan rata-rata Mean Difference (I-J) sebesar 12,000 dengan P-value sebesar
0,388. Oleh karena koefisien P-value lebih besar dari 0,05 maka disimpulkan tidak
terdapat perbedaan yang signifikan hasil panen padi varietas Sembada B9 dengan
varietas Sembada B5.
Berdasarkan nilai rata-rata pada tabel Descriptives menunjukkan bahwa nilai ratarata hasil panen padi varietas Sembada B9 lebih tinggi daripada varietas Sembada B5
(92,00 > 80,00). Dengan demikian hasil hasil panen padi varietas Sembada B9 lebih
tinggi daripada varietas Sembada B5.
f. Hasil panen padi varietas Hipa-6 dengan varietas Sembada B5 memiliki perbedaan
rata-rata Mean Difference (I-J) sebesar 17,000 dengan P-value sebesar 0,131. Oleh
karena koefisien P-value lebih besar dari 0,05 maka disimpulkan tidak terdapat
perbedaan yang signifikan hasil panen padi varietas Hipa-6 dengan varietas Sembada
B5.
Berdasarkan nilai rata-rata pada tabel Descriptives menunjukkan bahwa nilai ratarata hasil panen padi varietas Hipa-6 lebih rendah daripada varietas Sembada B5
(63,00 < 80,00).
Dengan demikian hasil hasil panen padi varietas Sembada B9 lebih tinggi daripada
varietas Hipa-6.
4. Plot dari output di atas merupakan plot estimasi rerata dari hasil panen padi terhadap
varietas padi. Dari plot nampak bahwa hasil panen padi tertinggi adalah menggunakan
varietas Sembada B9, jadi peneliti dapat menganjurkan kepada petani di daerah
penelitian tersebut untuk menggunakan varietas padi Sembada B9.
27

28. BAB 3
PENUTUP
3.1 Kesimpulan
Analisis of variance atau ANOVA merupakan salah satu teknik analisis multivariate
yang berfungsi untuk membedakan rerata lebih dari dua kelompok data dengan cara
membandingkan variansinya. Analisis varian termasuk dalam kategori statistik parametrik.
Sebagai alat statistika parametrik, maka untuk dapat menggunakan rumus ANOVA harus
terlebih dahulu perlu dilakukan uji asumsi meliputi normalitas, heterokedastisitas dan random
sampling. Uji ANOVA sering pula disebut uji F.
Analisis varians satu jalur merupakan teknik statistika parametrik yang digunakan
untuk pengujian perbedaan beberapa kelompok rata-rata, di mana hanya terdapat satu variabel
bebas atau independen yang dibagi dalam beberapa kelompok dan satu variabel terikat atau
dependen.
28

29. Daftar Rujukan
Imam Ghozali. 2009. Aplikasi Analisis Multivariate dengan Program SPSS. Semarang : BP
UNDIP.
Irianto, Agus. 2012. Statistik Konsep Dasar, Aplikasi, dan Pengembangannya. Jakarta:
Kencana Prenada Media Group.
Pramesti, Getut 2011. Aplikasi SPSS daam Penelitian. Jakarta: PT Elex Media Komputindo.
Santoso, S. 2010. Statistik Parametrik. Jakarta: PT Elex Media Komputindo.
Spiegel, M. R. & Stephens, L. J. 2008. Schaum’s Outlines of Theory and Problem of
Statistic,Fourth Edition. The McGraw-Hill Companies, Inc.
Widiyanto, M.A. 2013. Statistika Terapan. Jakarta: PT Elex Media Komputindo.
29