II-31
Tabel 2.6. ANOVA Eksperimen Faktorial 3 Faktor Desain Acak Sempurna
Sumber Variansi
Derajat Bebas df
Jumlah Kuadrat
SS Kuadrat
Tengah MS F
Faktor A Faktor B
Faktor C Interaksi AxB
Interaksi AxC Interaksi BxC
Interaksi
AxBxC Error
a –1 b – 1
c –1 a – 1b – 1
a – 1c – 1 b – 1c – 1
a–1b–1c–1
abcn - 1
SS
A
SS
B
SS
C
SS
AxB
SS
AXC
SS
BXC
SS
AXBXC
SS
E
SS
A
df
A
SS
B
df
B
SS
C
df
C
SS
AxB
df
AxB
SS
AxC
df
AxC
SS
BxC
df
BxC
SS
AXBXC
df
AxBxC
SS
E
df
E
MS
A
MS
E
MS
B
MS
E
MS
C
MS
E
MS
AxB
MS
E
MS
AxC
MS
E
MS
BxC
MS
E
MS
AxBxC
MS
E
Total abcn
SS
Total
Sumber : Hicks, 1993
2.7.2 Uji Normalitas, Homogenitas, dan Independensi Data
Apabila menggunakan analisis variansi sebagai alat analisa data eksperimen, maka seharusnya sebelum data diolah, terlebih dahulu dilakukan uji karakteristik
data untuk menguji apakah asumsi-asumsi ANOVA telah terpenuhi atau belum. Uji yang dilakukan dapat berupa uji homogenitas variansi, dan independensi,
terhadap data hasil eksperimen.
1. Uji Normalitas
Uji normalitas berguna untuk membuktikan data dari sampel yang dimiliki berasal dari populasi yang berdistribusi normal atau data populasi yang dimiliki
berdistribusi normal. Banyak cara yang dapat dilakukan untuk membuktikan suatu data berdistribusi normal atau tidak. Metode klasik dalam pengujian normalitas
suatu data tidak begitu rumit. Uji normalitas perlu dilakukan untuk menentukan teknik statistik apa yang akan digunakan. Jika data berdistribusi tidak normal
maka pengolahan data dilakukan dengan menggunakan statistik non parametrik Korelasi Rank Spearman, Korelasi Kendall, dll. Sebaliknya, jika data
berdistribusi normal maka pengolahan data dilakukan dengan menggunakan statistik parametrik Korelasi Product MomentPearson, Regresi, dll Cahyono,
2006.
commit to users
II-32 Berdasarkan pengalaman empiris beberapa pakar statistik, data yang
banyaknya lebih dari 30 angka n30, maka sudah dapat diasumsikan berdistribusi normal. Biasa dikatakan sebagai sampel besar. Namun untuk
memberikan kepastian, data yang dimiliki berdistribusi normal atau tidak, sebaiknya digunakan uji statistik normalitas. Karena belum tentu data yang lebih
dari 30 bisa dipastikan berdistribusi normal, demikian sebaliknya data yang banyaknya kurang dari 30 belum tentu tidak berdistribusi normal, untuk itu perlu
suatu pembuktian. Pembuktian normalitas dapat dilakukan dengan manual, yaitu dengan menggunakan kertas peluang normal, atau dengan menggunakan uji
statistik normalitas. Banyak jenis uji statistik normalitas yang dapat digunakan diantaranya: Kolmogorov Smirnov, Lilliefors, Chi-Square, Shapiro Wilk atau
menggunakan software komputer. Software komputer yang dapat digunakan misalnya SPSS, Minitab, Simstat, Microstat, dsb. Pada hakekatnya software
tersebut merupakan hitungan uji statistik Kolmogorov Smirnov, Lilliefors, Chi- Square, Shapiro Wilk, dsb yang telah diprogram dalam software komputer.
Masing-masing hitungan uji statistik normalitas memiliki kelemahan dan kelebihannya, pengguna dapat memilih sesuai dengan keuntungannya. Metode
Kolmogorov-Smirnov tidak jauh beda dengan metode Lilliefors. Langkah-langkah penyelesaian dan penggunaan rumus sama, namun pada signifikansi yang
berbeda. Signifikansi metode Kolmogorov-Smirnov
menggunakan tabel pembanding Kolmogorov-Smirnov, sedangkan metode Lilliefors menggunakan
tabel pembanding metode Lilliefors Cahyono, 2006. Pemilihan uji kolmogorov- smirnov sebagai alat uji normalitas didasarkan oleh :
a. Uji kolmogorov-smirnov berguna untuk membandingkan fungsi distribusi kumulatif data observasi dari sebuah variabel dengan sebuah distribusi teoritis,
yang mungkin bersifat normal, seragam, poisson, atau exponential. b. Uji kolmogorov-smirnov menggunakan data dasar yang belum diolah dalam
tabel distribusi frekuensi. Data ditransformasikan dalam nilai Z untuk dapat dihitung luasan kurva normal sebagai probabilitas komulatif normal.
Probabilitas tersebut dicari bedanya dengan probabilitas komulatif empiris. c. Uji kolmogorov-smirnov dapat digunakan untuk jumlah data n besar
maupun kecil. digilib.uns.ac.id
commit to users
II-33
d. Uji kolmogorov-smirnov terdapat di software SPSS yang akan membantu
