Resume
eyoDWiprDkc • Uji ANAKOVA Satu Jalur menggunakan SPSS, Uji Asumsi, serta uji Nonparametrik Penggantinya
Updated: 2026-02-12 02:11:13 UTC
Back Source
Prev Next

Berikut adalah rangkuman komprehensif dan terstruktur dari konten video mengenai analisis One-Way ANCOVA menggunakan SPSS.

Panduan Lengkap Analisis One-Way ANCOVA Menggunakan SPSS: Uji Asumsi, Efek Ukuran, dan Alternatif Non-Parametrik

Inti Sari (Executive Summary)

Video ini memberikan tutorial mendalam tentang cara melakukan analisis One-Way ANCOVA (Analysis of Covariance) menggunakan SPSS, yang bertujuan untuk membandingkan mean lebih dari dua kelompok dengan mengontrol variabel pengganggu (kovariat). Pembahasan mencakup definisi, persiapan data, langkah-langkah analisis parametrik, pengujian asumsi (normalitas, linearitas, homogenitas), perhitungan efek ukuran, hingga alternatif analisis non-parametrik (Quade's Rank Analysis of Covariance) jika asumsi statistik tidak terpenuhi.

Poin-Poin Kunci (Key Takeaways)

  • Perbedaan ANOVA dan ANCOVA: ANCOVA mirip dengan ANOVA tetapi melibatkan variabel kovariat untuk mengontrol pengaruh variabel luar (confounding variable), sehingga menggunakan Adjusted Mean (rerata yang disesuaikan).
  • Asumsi Penting: Analisis ANCOVA mensyaratkan data berskala interval/rasio, independensi, tidak ada outlier signifikan, normalitas residual, linearitas, dan homogenitas garis regresi.
  • Efek Ukuran & Post-hoc: Signifikansi statistik tidak selalu berarti efek besar; perlu dihitung Partial Eta Square. Uji lanjut (Post-hoc) hanya diperlukan jika hasil ANCOVA menunjukkan perbedaan signifikan (Sig < 0.05).
  • Alternatif Non-Parametrik: Jika asumsi normalitas terlanggar, digunakan Quade's Rank Analysis of Covariance yang melibatkan perankingan data dan analisis regresi residual.
  • Urutan Pelaporan: Hasil analisis dilaporkan dengan urutan: uji asumsi (normalitas, homogenitas, linearitas), uji hipotesis utama (ANCOVA), dan jika perlu, uji lanjut.

Rincian Materi (Detailed Breakdown)

1. Konsep Dasar dan Definisi ANCOVA

  • Definisi: One-Way ANCOVA adalah analisis untuk mengetahui perbedaan mean yang signifikan antara dua atau lebih kelompok yang tidak berhubungan, dengan menambahkan variabel kovariat.
  • Fungsi Kovariat: Variabel kovariat berfungsi sebagai kontrol statistik untuk variabel pengganggu. Contoh: Membandingkan model pembelajaran (A, B, C) terhadap hasil belajar (postest), dengan mengontrol kemampuan awal (pretest) siswa.
  • Karakteristik Data:
    • Satu variabel independen (kategorikal, minimal 2 kelompok).
    • Satu variabel dependen (skala interval/ratio).
    • Satu variabel kovariat (wajib ada, berbeda dengan ANOVA).

2. Persiapan Data dan Pengaturan Variabel di SPSS

  • Studi Kasus: Penelitian tentang literasi sains siswa SMA dengan 6 kelas (model pembelajaran berbeda).
  • Variabel:
    • Kelas (Variabel Independen).
    • Pretest Literasi Sains (Kovariat).
    • Postes Literasi Sains (Variabel Dependen).
  • Langkah SPSS:
    • Masuk ke Variable View.
    • Beri label pada variabel (misal: 'xls' untuk pretest, 'yls' untuk postest).
    • Atur Values untuk variabel kelas (misal: 1=IPA 1, 2=IPA 2, dst.).

3. Analisis One-Way ANCOVA Parametrik

  • Menu: Analyze > General Linear Model > Univariate.
  • Pemasangan Variabel:
    • Dependent Variable: Postes literasi sains.
    • Fixed Factor: Kelas.
    • Covariate: Pretest.
  • Pengaturan Tambahan (Save & Options):
    • Centang Unstandardized (di menu Save) untuk menyimpan residual guna uji normalitas.
    • Pindahkan 'Kelas' ke Display Means for dan centang Compare main effects (pilih LSD).
    • Centang Descriptive statistics, Homogeneity test, dan Estimates of effect size.
  • Interpretasi Output:
    • Levene's Test: Sig > 0.05 (homogen). Pada contoh: Sig = 0.476.
    • Tests of Between-Subjects Effects: Lihat baris 'Kelas'. Jika Sig > 0.05, tidak ada perbedaan signifikan. Pada contoh: Sig = 0.07.

4. Pengujian Asumsi ANCOVA

  • Normalitas (Menggunakan Residual):
    • Gunakan variabel residual baru (RES_1).
    • Menu: Analyze > Descriptive Statistics > Explore.
    • Cek Normality plots with tests.
    • Syarat: Sig. Kolmogorov-Smirnov atau Shapiro-Wilk > 0.05.
  • Linearitas:
    • Gunakan fitur Split File (Data > Split File > Compare groups) berdasarkan kelas.
    • Buat Scatter Plot (Graphs > Legacy Dialogs > Scatter/Dot).
    • Sumbu Y: Postes, Sumbu X: Pretest.
    • Analisis: Pola titik harus menunjukkan tren linear (ke kanan atas).
  • Homogenitas Garis Regresi:
    • Matikan Split File.
    • Kembali ke Univariate, klik Model > Custom.
    • Masukkan 'Kelas', 'Pretest', dan interaksi 'Kelas*Pretest' ke dalam kotak model.
    • Interpretasi: Lihat baris interaksi 'Kelas*Pretest'. Sig > 0.05 berarti garis regresi homogen (asumsi terpenuhi).

5. Alternatif Non-Parametrik (Quade's Rank Analysis of Covariance)

  • Penggunaan: Diterapkan jika asumsi normalitas tidak terpenuhi.
  • Langkah-langkah:
    1. Ranking: Transform data pretest dan postest (Transform > Rank Cases).
    2. Regresi: Lakukan regresi linear antara Rank Postest (Dependent) dan Rank Pretest (Independent). Simpan Unstandardized Residual.
    3. ANOVA: Lakukan One-Way ANOVA biasa menggunakan residual regresi sebagai Dependent Variable dan Kelas sebagai Factor.
  • Interpretasi: Jika Sig. ANOVA > 0.05, tidak ada perbedaan signifikan (sama dengan hasil parametrik pada contoh ini).

6. Pelaporan Hasil Analisis

  • Struktur Laporan:
    1. Uji Normalitas: Melaporkan nilai D dan p-value (misal: p = 0.200 > 0.05, berarti normal).
    2. Uji Homogenitas: Melaporkan nilai F dan p-value (misal: p = 0.476 > 0.05, berarti homogen).
    3. Uji Linearitas: Menyatakan bahwa scatter plot menunjukkan hubungan linear di setiap kelas.
    4. Hasil ANCOVA:
      • Melaporkan nilai F hitung, DF, dan p-value.
      • Contoh: F(5, 114) = 2.045, p = 0.078.
      • Kesimpulan: Karena p > 0.05, tidak ada perbedaan literasi sains yang signifikan antar kelas setelah dikontrol pretest.
    5. Rerata Terkoreksi: Menyajikan tabel Adjusted Mean (rerata postest yang sudah dikoreksi pretest), diurutkan dari terkecil ke terbesar (misal: IPA 4 terkecil, IPA 1 terbesar).

Kesimpulan & Pesan Penutup

Video ini menjelaskan secara rinci bahwa analisis ANCOVA sangat berguna untuk mengontrol variabel awal (pretest) agar perbandingan antar kelompok menjadi lebih adil. Pada studi kasus yang dibahas, baik uji parametrik maupun non-parametrik menunjukkan bahwa tidak ada perbedaan signifikan literasi sains siswa antar kelas. Untuk pembahasan lebih lanjut mengenai Two-Way ANCOVA dan notasi LSD, penonton diarahkan untuk menyaksikan video berikutnya di kanal Ensiklopedia Ahmad Fauzi.