STATISTIKA

DESAIN PENGUKURAN BERULANG SATU JALAN (ONE WAY REPEATED

MEASURE DESIGN) DAN PENERAPANNYA

MAKALAH SEMINAR MATEMATIKA

Disusun untuk Memenuhi Tugas Mata Kuliah Seminar Matematika

Dosen Pembimbing : Getut Pramesti, S.Si., M.Si.

Disusun oleh:

Oktaverika Asrowifah
K1314040

PROGRAM STUDI PENDIDIKAN MATEMATIKA

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN

UNIVERSITAS SEBELAS MARET SURAKARTA

2017
DESAIN PENGUKURAN BERULANG SATU JALAN (ONE WAY REPEATED
MEASURE DESIGN) DAN PENERAPANNYA

MAKALAH SEMINAR MATEMATIKA

Disusun untuk Memenuhi Tugas Mata Kuliah Seminar Matematika

Dosen Pembimbing : Getut Pramesti, S.Si., M.Si.

Disusun oleh:

Oktaverika Asrowifah
K1314040

PROGRAM STUDI PENDIDIKAN MATEMATIKA

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN

UNIVERSITAS SEBELAS MARET SURAKARTA

2017

i
 HALAMAN PERSETUJUAN

Makalah seminar dengan judul “Desain Pengukuran Berulang Satu Jalan (One
Way Repeated Measure Design) dan Penerapannya” telah disetujui untuk
diseminarkan dan dipertahankan di hadapan Tim Penguji Seminar Matematika
Fakultas Keguruan dan Ilmu Pendidikan Universitas Sebelas Maret Surakarta.

Hari :

Tanggal :

Mengetahui,

Dosen Pembimbing,

Getut Pramesti, S.Si., M.Si.

NIP. 19790202 200604 2 001

ii
 HALAMAN PENGESAHAN

Makalah seminar dengan judul “Desain Pengukuran Berulang Satu Jalan

(One Way Repeated Measure Design) dan Penerapannya” telah diseminarkan dan
diuji di hadapan Tim Penguji Seminar Matematika Fakultas Keguruan dan Ilmu
Pendidikan Universitas Sebelas Maret Surakarta dan diterima untuk memenuhi tugas
kuliah Seminar Matematika Program Studi Pendidikan Matematika.

Hari :

Tanggal :

Tempat :

Nama Terang Tanda Tangan

Penguji I : Getut Pramesti, S.Si., M.Si.

Disahkan oleh

Fakultas Keguruan Dan Ilmu Pendidikan

Universitas Sebelas Maret Surakarta

Ketua Program Studi Pendidikan Matematika

Dr. Budi Usodo, M.Pd

NIP. 19680517 199303 1 002

iii
 PERNYATAAN KEASLIAN TULISAN

Saya yang bertanda tangan dibawah ini

Nama : Oktaverika Asrowifah

NIM : K1314040

Prodi : Pendidikan Matematika

Menyatakan bahwa makalah seminar saya berjudul “Desain

Pengukuran Berulang Satu Jalan (One Way Repeated Measure Design)
dan Penerapannya” ini benar-benar merupakan hasil karya saya sendiri.
Selain itu, sumber informasi yang dikutip penulis lain telah disebutkan
dalam teks dan dicantumkan dalam daftar pustaka.

Apabila pada kemudian hari terbukti atau dapat dibuktikan makalah

seminar ini hasil jiplakan, saya beresdia menerima sanksi atas perbuatan
saya.

Surakarta, Desember 2017

Yang membuat pernyataan

Oktaverika Asrowifah

iv
 KATA PENGANTAR
Segala puji bagi Allah Yang Maha Pengasih lagi Maha Penyayang, yang
telah memberi ilmu, inspirasi dan kemuliaan. Atas kehendak-Nya penulis dapat
menyelesaikan makalah seminar matematika dengan judul “DESAIN
PENGUKURAN BERULANG SATU JALAN (ONE WAY REPEATED
MEASURE DESIGN) DAN PENERAPANNYA”.
Makalah ini disusun untuk memenuhi tugas mata kuliah seminar matematika
pada Program Studi Pendidikan Matematika. Penulis menyadari dalam penyusunan
makalah ini tidak terlepas dari bantuan, bimbingan dan pengarahan dari berbagai
pihak. Karena itu, penulis ingin mennyampaikan terima kasih kepada:
1. Ibu Getut Pramesti, S.Si., M.Si. selaku dosen pembimbing yang senantiasa
memberikan arahan dan bimbingan selama penyusunan makalah seminar
matematika ini.
2. Kedua orang tua yang telah mengarahkan, memberikan doa, semangat baik
moril maupun materiil.
3. Teman-teman Pendidikan Matematika yang telah memberi bantuan dalam
penyelesaian makalah ini.
4. Semua pihak yang telah membantu dalam penyusunan makalah seminar ini
yag tidak mungkin disebutkan satu per satu.
Penulis menyadari bahwa makalah seminar matematika ini jauh dari
sempurna, oleh karena itu penulis mengharapkan kritik dan saran yang membangun
demi perbaikan di masa yang akan datang. Semoga makalah ini dapat bermanfaat
bagi penulis khususnya dan pembaca pada umumnya.

Surakarta, Desember 2017

Penulis

v
 DAFTAR ISI

HALAMAN JUDUL .................................................................................................... i

HALAMAN PERSETUJUAN .................................................................................... ii

HALAMAN PENGESAHAN .................................................................................... iii

PERNYATAAN KEASLIAN TULISAN .................................................................. iv

KATA PENGANTAR ................................................................................................ v

DAFTAR ISI .............................................................................................................. vi

BAB I PENDAHULUAN

A. Latar Belakang ................................................................................................... 1

B. Rumusan Masalah ............................................................................................. 1

C. Pembatasan Masalah ......................................................................................... 2

D. Tujuan Penelitian ............................................................................................... 3

BAB II PEMBAHASAN MASALAH

A. Materi Pendukung ............................................................................................. 4

1. Pengukuran .................................................................................................. 4
2. Data .............................................................................................................. 4
3. Skala Pengukuran Data ................................................................................ 4
4. Hipotesis ...................................................................................................... 5
5. Sig. Output SPSS ( value) ........................................................................ 6
6. Tingkat Signifikansi .................................................................................... 6
7. Model Linier ................................................................................................ 6
8. Asumsi untuk Uji Repeated Measure .......................................................... 7

vi
 B. Pembahasan Masalah ......................................................................................... 7

1. Model Linear ...................................................................................................... 8

2. Analisi Uji Anava One Way Reeated Measure Design dengan Sel Sama ... 8
3. Prosedur Uji One Way Reeated Measure Design ...................................... 12
4. Contoh Kasus One Way Reeated Measure Design .................................... 11

BAB III PENUTUP

A. Simpulan .......................................................................................................... 19

B. Saran ................................................................................................................ 19

DAFTAR PUSTAKA ............................................................................................... 20

vii
 BAB I

PENDAHULUAN

A. Latar Belakang

Dalam suatu penelitian, kadang-kadang respon yang diamati dalam setiap

satuan percobaan dilakukan lebih dari satu kali pada waktu yang berbeda selama
penelitian. Hal semacam ini biasa disebut dengan pengamatan/ pengukuran
berulang atau Repetaed Measures. Tujuan dari pengamatan berulang adalah untuk
mengetahui interaksi perubahan respon dari suatu periode waktu ke periode waktu
lainnya. Selain itu ingin diketahui apakah ada pengaruh interaksi antara perlakuan
dan periode waktu pengamatan. Menurut Mattjik dan Sumertajaya (2000),
percobaan yang melibatkan pengamatan berulang memerlukan penanganan model
analisis yang lain dari model rancangan dasar agar informasi yang diperoleh bisa
lebih luas.

Di dalam pengukuran berulang tentunya akan melibatkan uji analisis

varians. Di dalam pengukuran berulang terdapat dua jenis uji analisis varians,
yaitu analisis varians satu jalan dan analisis varians dua jalan. Perbedaan dari
kedua analisis varians tersebut adalah terletak pada jumlah variabel
independennya. Pada makalah ini akan difokuskan pada pengukuran berulang satu
jalan (One Way Repeated Measure Design), di mana One Way Repeated Measure
Design sendiri adalah pengukuran dalam suatu percobaan yang dilakukan secara
berulang pada periode atau waktu yang berbeda dengan subjek penelitian yang
sama dengan hanya melibatkan satu variabel independen yang diukur lebih dari
satu level.

Berikut merupakan salah satu contoh dari One Way Repeated Measure
Design yang sering dijumpai pada kehidupan sehari-hari. Misal, terdapat seorang
pemilik toko motor dengan jumlah karyawan 20 orang. Pemilik motor ingin
mengetahui hasil penjualan terbaik dari setiap karyawannya bila penjualan
dilakukan antara sebelum mendapatkan training, 3 bulan setelah mendapatkan

1
 2

training, dan 1 tahun tahun setelah mendapatkan training. dari contoh tersebut
jelas bahwa penjualan adalah variabel independen yang diukur dalam 3 level
(sebelum training, 3 bulan setelah training, dan 1 tahun setelah training) yang
diterapkan kepada subjek yang sama (20 orang karyawan).

Karena rancangan percobaan dengan metode pengamatan berulang sangat

banyak dijumpai dalam kehidupan sehari-hari dan di dalam perkuliahan di
program studi Pendidikan Matematika Universitas Sebelas Maret belum ada
materi perkuliahan statistika yang mengkaji mengenai hal ini. Oleh karena itu
pada makalah seminar ini penulis akan mengkaji tentang Desain Pengukuran
Berulang Satu Jalan (One Way Repeated Measures Design) dan penerapannya.

B. Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan di atas, maka dapat
dirumuskan masalah sebagai berikut:
1. Bagaimana prosedur dari Desain Pengukuran Berulang Satu Jalan (One
Way Repeated Measures Design) ?
2. Bagaimana penerapan dari Desain Pengukuran Berulang Satu Jalan
(One Way Repeated Measures Design) di kehidupan sehari-hari?

C. Pembatasan Masalah
Pada makalah ini, batasan makalah sebagai berikut:
1. Variabel berskala interval atau rasio.
2. Variabel terikat berdistribusi normal.
3. Asumsi model efek tetap.
4. Sesatan diasumsikan berdistribusi normal dan independen

2
 3

D. Tujuan Penulisan

Berdasarkan rumusan masalah di atas, maka tujuan dari penulisan makalah

ini adalah sebagai berikut:
1. Mengetahui prosedur dari Desain Pengukuran Berulang Satu Jalan
(One Way Repeated Measures Design).
2. Mengetahui penerapan dari Desain Pengukuran Berulang Satu Jalan
(One Way Repeated Measures Design) di kehidupan sehari-hari.

3
 BAB II

PEMBAHASAN

A. Materi Pendukung

1. Pengukuran
Definisi 2.1
Pengukuran adalah proses di mana suatu angka atau simbol dilekatkan
pada karakteristik atau properti suatu stimuli sesuai dengan aturan/prosedur
yang telah ditetapkan.
(Imam Ghozali, 2005)

2. Data
Definisi 2.2
Data adalah bahan mentah yang perlu diolah sehingga menghasilkan
informasi atau keterangan, baik kualitatif maupun kuantitaif yang
menunjukkan fakta. Data kualitatif yaitu data yang berhubungan dengan
kategorisasi, karakteristik berwujud pertanyaan atau berupa kata-kata. Data
kuantitatif yaitu data yang berwujud angka-angka.
(Riduwan, 2003:23)

3. Skala Pengukuran Data

a. Skala Nominal
Definisi 2.3
Skala nominal adalah skala yang diterapkan pada data yang hanya bisa
dibagi ke dalam kelompok-kelompok tertentu, dan penggolongan tersebut
hanya dilakukan untuk tujuan identifikasi.
(Ridwan, 2003:23)

4
 5

b. Skala Ordinal
Definisi 2.4
Skala ordinal adalah skala yang didasarkan pada rangking, diurutkan
dari jenjang yang lebih tinggi sampai jenjang yang terendah atau
sebaliknya.
(Ridwan, 2007:84)
c. Skala Interval
Definisi 2.5
Skala interval adalah skala yang diterapkan pada data yang dapat
dirangking dan dengan rangking tersebut kita bisa mengetahui perbedaan
diantara rangking-rangking tersebut dan kita juga bisa menhitung besarnya
perbedaan tersebut.
(Ridwan, 2003:25)
d. Skala Rasio
Definisi 2.6
Skala rasio adalah skala yang diterapkan pada data-data yang dapat
dirangking dan untuk rangking-rangking tersebut kita bisa menjalankan
operasi aritmatik.
(Ridwan, 2003:27)

4. Hipotesis
Definisi 2.7
Hipotesis adalah pernyataan atau dugaan mengenai kuantitas yang ada
di satu atau lebih populasi. Ada dua jenis hipotesis, yaitu hipotesis nol (null
hypothesis) dan hipotesis alternatif (alternative hypothesis). Hipotesis nol
adalah hipotesis yang dirumuskan dengan harapan bahwa hipotesis tersebut
nantinya ditolak setelah dilakukan uji hipotesis. Hipotesis nol dilambangkan
dengan H0. Hipotesis alternatif adalah hipotesis yang dirumuskan dengan
harapan bahwa rumusan tersebut nantinya akan diterima kebenarannya setelah
dilakukan uji hiotesis. Hipotesis alternatif dilambangkan dengan H1.
(Budiyono, 2009:141-143)
 6

5. Sig. Output SPSS ( value)

Definisi 2.8
Nilai ( value) adalah ukuran probabilitas kekuatan dari bukti untuk
menolak atau menerima hipotesis null (H0). Semakin kecil nilai yang
diperoleh maka semakin kuat bukti tersebut untuk menolak hipotesis null.
Dalam aplikasinya kita biasanya membandingkan dengan nilai alpha yang
digunakan.
(Corder dan Foreman, 2009)

6. Tingkat Signifikansi
Definisi 2.9
Tingkat signifikansi ( ) menunjukkan probabilitas atau peluang
kesalahan yang ditetapkan peneliti dalam mengambil keputusan untuk
menolak atau mendukung hipotesis nol (H0) di mana H0 bernilai benar.
(Maman dkk, 2011:150)

7. Model Linier
Definisi 2.10
Model Linier adalah model statistik linier yang menunjukkan
hubungan linier antar parameter. Faktor tunggal atau single factor experiments
artinya, penelitian yang hanya melibatkan satu variabel independen yang
diukur dalam lebih dari satu level. Anova dengan faktor tunggal disebut
analisis varian satu jalan (one way analysis of variance). Model linier dari
analisis varian satu jalan adalah

dengan,
: respon dari pengaruh perlakuan
: rata-rata keseluruhan perlakuan (overall means)
: efek perlakuan ke-i , i = 1, ..., a
: sesatan, dengan asumsi NID (0, )
(Kutner, Michael H, 2005: 681)
 7

8. Asumsi untuk Uji Repeated Measure

Definisi 2.11
Asumsi untuk uji repeated measure adalah :
1. Variabel berskala interval atau rasio
2. Variabel terikat berdistribusi normal
3. Asumsi Sphericity
Asumsi untuk uji one way repeated measure adalah :
1. Asumsi model efek tetap.
2. Sesatan diasumsikan berdistribusi normal dan independen

Asumsi Sphericity adalah asumsi yang menyatakan bahwa semua

variansi yang berbeda adalah sama. Secara sederhana, diharapkan variansi
yang berbeda dari sampel yang diamati menjadi sama jika asumsi sphericity
ditemukan atau dipenuhi.

(Andy Field, 2009: 459)

B. Pembahasan Masalah
Repeated Measure Design adalah pengukuran dalam suatu percobaan
yang dilakukan secara berulang pada periode atau waktu yang berbeda dengan
subjek penelitian yang sama.
One Way Repeated Measure Design adalah pengukuran dalam suatu
percobaan yang dilakukan secara berulang pada periode atau waktu yang
berbeda dengan subjek penelitian yang sama dengan hanya melibatkan satu
variabel independen yang diukur dalam lebih dari satu level.
(Kutner, Michael H, 2005: 1129)

Gambar 2.1 menjelaskan contoh layout dari one way (single-factor)

repeated measure design (dengan subjek (s) = 5, dan perlakuan (r) = 4)
 8

(j)

(i)

Gambar 2.1 Layout One Way (single-factor) Repeated Measure Design

1. Model Linear
Model linier untuk One Way Repeated Measure Design adalah

.......................................................................... (1. 1)

Keterangan:
: respon dari pengaruh perlakuan
: rata-rata keseluruhan perlakuan (overall means)
: efek subjek ke-i, i = 1, 2, ..., s, dengan asumsi NID (0, )
: efek perlakuan ke-j, asumsi ∑ , j = 1, 2, ..., r
: sesatan, dengan asumsi NID (0, )

2. Analisis Uji ANAVA One Way Repeated Measure Design dengan Sel Sama
a. Hipotesis Uji Anava One Way Repeated Measure Design
Hipotesis :
H0 : untuk semua = 0, j = 1, 2, ... r
 9

H1 : , j = 1, 2, ... r

b. Penyusunan Tabel ANAVA dengan Sel Sama (Jumlah Sampel Sama)

Dalam penyusunan tabel ANAVA satu jalan pada repeated measure,
digunakan model Jumlah Kuadrat yaitu:
JKTotal = JKSubjek + JKPerlakuan + JKerror

1) JKTotal
2

  yij  y.. 
s r
JKTotal =
i 1 j 1

  y 
s r
= 2
ij  2 yij y..  y..2
i 1 j 1

  
s r s r s r
= y 2ij  2 yij y..   y..2
i 1 j 1 i 1 j 1 i 1 j 1

s r
y.. y2
=  y 2ij  2 y..
i 1 j 1 N
 N 2..
N
s
y 2.. y 2..
r
=  y ij  2 2

i 1 j 1 N N

Sehingga,
s r
y 2..
JKTotal =  y 2ij 
i 1 j 1 N ......................................................... (1. 2)

2) JKSubjek
s 2

JKSubjek = r   yi.  y.. 

i 1

= r   y i2.  2 yi. y..  y..2 

s

i 1

 s s s

= r   y i2.  2 yi. y..   y ..2 
 i 1 i 1 i 1 
 10

 s y2  y  y  y2 
JKSubjek = r   2i.  2  ..  ..   s 2.. 
 i 1 r  r  N  N 
s
y 2i. y.. y.. y 2..
JKSubjek = r  r 2  rs
i 1 r2 r sr s 2r 2
s
y 2i. 2 y 2.. y 2..
= 
i 1 r
 
sr sr
s
y 2i. y 2..
= 
i 1 r sr
Jadi,
s
y 2i. y 2..
JKSubjek = 
i 1 r

N .............................................................. (1. 3)

3) JKPerlakuan
2

= s   y. j  y.. 
r
JKPerlakuan
j 1

 
r
= s y.2j  2 y. j y..  y..2
j 1

 r r r 
= s   y.2j  2 y. j y..   y..2 
 j 1 j 1 j 1 
 r y2  y  y  y2 
= s   2. j  2  ..  ..   r 2.. 
 j 1 s  s  N  N 

r y 2. j y.. y.. y 2..
= s  s2  sr 2 2
j 1 s2 s sr sr
r y 2. j2 y 2.. y 2..
= 
j 1 s

sr sr


r y 2. j y 2..
= 
j 1 s

sr

Diperoleh,
 11

r y 2. j y 2..
JKPerlakuan = 
j 1 s

N ............................................................. (1. 4)

4) JKerror
JKerror = JKTotal – JKSubjek – JKPerlakuan
.................................... (1. 5)

Terdapat bentuk lain dari Rumus Jumlah Kuadrat

JKTotal = JKSubjek + JKPerlakuan + JKerror

= JKSubjek + (JKPerlakuan + JKerror)
= JKSubjek + JKWithin
Diperoleh,
JKTotal = JKBetween + JKWithin
.............................................................. (1. 6)

Dengan JKBetween = JKSubjek

JKWithin = JKPerlakuan + JKerror

Di dalam pengukuran berulang terdapat beberapa bentuk dari rumus

jumlah kuadrat total di mana di dalamnya terdiri dari jumlah kuadrat between
dan jumlah kuadrat within. Jumlah kuadrat between di sini menghitung
variabilitas antar subjeknya (secara baris). Sedangkan jumlah kuadrat within
berarti menghitung variabilitas antar perlakuan (secara kolom).

Tabel Anava dari model linier one way repeated measure design sel sama

Dari (1.2) sampai dengan (1.5) disusunlah Tabel 2.1.

Tabel 2.1 Tabel Anava untuk One Way Reeated Measure Design Sel Sama
Derajat Rataan
Sumber Fhitung
Jumlah Kuadrat (JK) kebebasan Kuadrat
Variansi
(dk) (RK)
 12

s
y 2i. y 2..
Subjek JKSubjek = 
i 1 r

N
s–1

r y 2. j y 2..
Perlakuan JKPerlakuan = j 1 s

N
r–1

JKerror = JKTotal – JKSubjek –

Error (r – 1)(s – 1)
JKPerlakuan
s r
y 2..
Total JKTotal =  y
i 1 j 1
2
ij 
N
sr – 1

Keterangan :
N : jumlah data
s : jumlah subjek
r : jumlah pengukuran/ perlakuan

c. Keputusan Uji
Tolak H0 apabila [ ]

Terima H0 apabila [ ]

d. Menghitung Effect Size ( )

Tujuan menghitung effect size nantinya adalah untuk mengetahui seberapa
besar efek suatu variabel terhadap variabel yang lainnya pada suatu
populasi.

[ ]

[ ]

(Andy Field, 2009: 480

3. Prosedur Uji One Way Reeated Measure Design

Prosedur dalam melakukan uji One Way Reeated Measure Design adalah
sebagai berikut:
i. Terpenuhinya asumsi Sphericity (pada makalah ini asumsi shpericity akan
dilakukan dalam uji SPSS)
 13

ii. Menentukan Hipotesis

iii. Menentukan tingkat signifikansi
iv. Perhitungan untuk Tabel Anava
v. Keputusan Uji
vi. Kesimpulan
vii. Analisis Post-Hoc (dilakukan apabila keputusan uji H0 ditolak atau
signifikan). Pada makalah ini analisis Post-Hoc akan dilakukan dalam uji
SPSS
viii. Menghitung effect size

4. Contoh Kasus One Way Reeated Measure Design Sel Sama

Pada kompetisi penilaian anggur, terdapat 4 jenis anggur Chardonnay dari
produksi yang sama yag dinilai oleh 6 juri berpengalaman. Para juri
mencicipi anggur tersebut dengan mata tertutup, dengan kata lain tanpa
mengetahui identita anggur tersebut. Keempat jenis anggur tersebut disusun
secara acak. Untuk mengurangi efek bawaan, para juri tidak meminum
anggur tersebut dan juga tidak membasahi mulut mereka selama penjurian.
Anggur yang mendapatkan poin 40 (poin tertinggi) adalah anggur yang
unggul. Data penjurian terdapa pada tabel 2.2. Jenis anggur Chardonnay
manakah yang terbaik ?
(Sumber : Kutner, Michael H, 2005: 1132)

Tabel 2.2 Tabel Penjurian Anggur Jenis Chardonnay

Jenis Anggur Chardonnay (j)
Juri (i) yi .
1 2 3 4
1 20 24 28 28 25
2 15 18 23 24 20
3 18 19 24 23 21
4 26 26 30 30 28
5 22 24 28 26 25
 14

6 19 21 27 25 23
y. j 20 22 26,67 26 23,67 = y..

Penyelesaian :

i. Hipotesis
H0 :
H1 : , j = 1, 2, 3, 4
ii. Tingkat Signifikansi = 0,01
iii. Perhitungan Tabel ANAVA
 s = 6, r = 4, N = 24
s r
y 2..
 JKTotal =  y 2ij 
i 1 j 1 N

=[ ]

=
=
s
y 2i. y 2..
 JKSubjek =  
i 1 r N

= 13616 – 13442,67
= 173,33
r y 2. j y 2..
 JKPerlakuan = j 1 s

N

= 13626,67 – 13442,67
= 184
 JKError = JKTotal - JKSubjek - JKPerlakuan
= 373,33 – 173,33 – 184
= 16
 15

 Tabel ANAVA
Derajat Rataan
Sumber Jumlah Kuadrat
kebebasan Kuadrat Fhitung
Variansi (JK)
(df) (RK)
Subjek 173,33 5 34,666
Perlakuan 184 3 61,333 = 57,48
Error 16 15 1,067
Total 373,33 23
iv. Keputusan Uji
Tolak H0 apabila [ ]

[ ] [ ] (diperoleh dari Lampiran 3)

Di mana
Itu artinya H0 ditolak (signifikan, bahwa penilaian keempat jenis anggur
Chordonnay berbeda signifikan)

v. Effect Size

[ ]

[ ]

[ ]

[ ]

[ ]
[ ]
[ ]

Jadi, sebesar 44,31% dari penilaian juri dapat mempengaruhi keputusan jenis
anggur Chardonnay terbaik.
 16

Analisis Uji SPSS

1. Asumsi Sphericity
i. Hipotesis
H0 :
H1 :
ii. Analisis SPSS
Untuk mengetahui berlaku atau tidaknya asumsi Sphericity, dapat kita lihat
dari Tabel 2.3 berikut.
Tabel 2.3 Mauchly’s Test of Sphericity

iii. Keputusan Uji

Tolak H0 apabila nilai Sig. .
Asumsi Sphericity akan terpenuhi apabila H0 diterima.
Berdasarkan pada Tabel 2.3 diperoleh nilai Sig. = 0,577. Karena
Sig.=0,577 , maka H0 diterima. Dengan kata lain diperoleh
bahwa asumsi Sphericity terpenuhi. Karena asumsi Sphericity terpenuhi,
sehingga analisis selanjutnya dapat dilakukan.

2. Uji ANOVA
i. Hipotesis
H0 :
H1 : , j = 1, 2, 3, 4
ii. Analisis SPSS
Dalam analisis SPSS akan dihasilakn jumlah kuadrat dalam bentuk Within
dan Between. Hasil dapat dilihat ada Tabel 2.4 sebagai berikut.
 17

Tabel 2.4 ANOVA

Tabel 2.5 Test of Within-Subjects Effects

Dari tabel 2.4, Tabel 2.5 dan juga berdasarkan (1. 6) diperoleh bahwa

JKTotal = 373,333 (Berdasar Tabel 2.4)

JKPerlakuan = 184 (Berdasar Tabel 2.5)

JKSubjek = JKBetween (Berdasar 1.6)

= 173,333 (Berdasar Tabel 2.4)

JKerror = 16 (Berdasar Tabel 2.5)

JKWithin = JKPerlakuan + JKerror (Berdasar 1.6)

= 184 + 16 (Berdasar Tabel 2.5)

= 200

Diperoleh hasil yang sama antara perhitungan berdasar Tabel 2.5 dengan
hasil pada Tabel 2.4
 18

iii. Keputusan Uji

Tolak Tolak H0 apabila nilai Sig. .
Berdasar Tabel 2.4 diperoleh bahwa nilai Sig. = 0,034 dan nilai = 3,120.
Karena Sig.=0,034 , maka H0 ditolak. Dengan kata lain
diperoleh bahwa terdapat pengaruh antar keempat jenis anggur Chordonnay.
Karena H0 ditolak, maka akan dilanjutkan dengan Analisis Post-Hoc.

3. Analisis Post-Hoc
Tabel 2.6 Pairwise Comparisons

Tujuan dari analisis Post-Hoc adalah untuk mengetahui variabel manakah

yang memiliki perbedaan yang paling signifikan.
Untuk mengetahui variabel yang berbeda signifikan dapat kita ketahui dari
tanda bintanng (*) yang terdapat dalam Tabel 2.6. Tanda bintang (*)
tersebut mengartikan bahwa antar variabel tersebut berbeda signifikan.
Nampak bahwa jenis anggur 1 berbeda signifikan dengan jenis anggur 3,
hal ini sama pula terjadi antar pasangan 1-4, 2-3, 2-4, 3-1, 3-2, 4-1, dan 4-
2.
Sehingga dapat disimpulkan bahwa jenis anggur yang berbeda signifikan
adalah pada jenis anggur 1 dan 2 dengan jenis anggur 3 dan 4.
 BAB III

PENUTUP

A. Simpulan
Berdasarkan pembahasan pada bab sebelumnya, dapat diambil
kesimpulan sebagai berikut:
1. Pengukuran berulang satu jalan (One Way Repeated Measure Design) adalah
pengukuran dalam suatu percobaan yang dilakukan secara berulang pada periode
atau waktu yang berbeda dengan subjek penelitian yang sama dengan hanya
melibatkan satu variabel independen yang diukur dalam lebih dari satu level.
Dengan model linier sebagai berikut :

2. Prosedur yang digunakan dalam pengukuran berulang satu jalan adalah sebagai
berikut:
a. Terpenuhinya asumsi Sphericity
b. Menentukan Hipotesis
c. Menentukan tingkat signifikansi
d. Perhitungan untuk Tabel Anava
e. Keputusan Uji
f. Kesimpulan
g. Analisis Post-Hoc
h. Menghitung effect size

B. Saran
Dalam makalah ini, penulis membahas mengenai One Way Repeated Measure
Design dengan asumsi efek tetap. Jika pembaca tertarik dengan pembahasan
mengenai One Way Repeated Measure Design, penulis menyarankan pembaca untuk
mempelajari tentang One Way Repeated Measure Design apabila menggunakan
asumsi efek random serta menambahkan lebih mengenai penjelasan dari Analisis
Post-Hoc.

19
 20

DAFTAR PUSTAKA

Budiyono. 2009. Statistika untuk Penelitian Edisi Ke-2. Surakarta: UNS Press

Field, Andy. 2009. Discovering Statistics Using SPSS. Londong: Sage.

Kutner, Michael H dkk. 2005. AppliedLinear Statistical Models. Ney York: The
McGraw-Hill Companies, Inc.

Mattjik, A & Sumertajaya. 2000. Perancangan Percobaan Dengan Aplikasi SAS

dan Minitab. Bogor: IPB Press
LAMPIRAN

21
Lampiran 1.

Tabel Distribusi F

22
Lampiran 2.

Tutorial Uji One Way Repeated Measure Design Pada Contoh Kasus dengan SPSS

1. Buka aplikasi SPSS. Setelah itu masukkan data yang ada pada contoh kasus ke dalam
lembar kerja. Pada bagian variable view isikan kolom Nama dengan Jenis1 sampai
dengan Jenis4 sebagai tanda dari keempat jenis anggur.

2. Pada bagian data view isilah setiap kolom berdasarkan dari tabel penilaian yang ada
pada contoh kasus.

23
3. Setelah itu klik Analyze – General Linear Model – Repeated Measures, dan akan
muncul jendela baru. Masukkan Jenis_Anggur sebagai Within-Subject Factor Name
dan 4 sebagai Number of Levels. Kemudian klik Add. Pada bagian Measure Name
masukkan Juri. Kemudian klik Add. Kemudian jika sudah, klik Define.

4. Akan muncul jendela baru. Masukkan semuanya ke dalam Within-Sunject Variables

(Jenis_Anggur).

24
5. Klik PLOT, kemudian masukkan faktor Jenis_Anggur ke dalam Horizontal Axis,
kemudian klik Add. Lalu klik Continue.

6. Masukkan Jenis_Anggur ke dalam Display Means For pada menu Options. Tandai
Compare main effects, pilih Bonferroni pada Confidence interval adjustment.
Kemudian tandai pada Descriptive statistics, Estimates of effect size. Jangan lupa,
masukkan 0,01 sebagai Significance level (sesuai dengan contoh kasus, kita
menggunakan ). Setelah itu klik Continue.

7. Klik OK. Maka akan muncul hasil seperti yang tertera pada Lampiran SPSS dengan
judul General Linear Model.

25
Lampiran 3.

Tutorial Uji ANOVA Pada Contoh Kasus dengan SPSS

1. Buka aplikasi SPSS. Setelah itu masukkan data yang ada pada contoh kasus ke dalam
lembar SPSS. Pada bagian variable view, isikan data seperti gambar berikut.

2. Pada baris Juri bagian Values isikan seperti pada gambar. Dengan arti bahwa juri1
akan diwakilkan oleh angka 1, begitu seterusnya. Kemudin klik OK.

26
3. Kemudian klik Analyze – Compare Means – One Way Anova. Masukkan Nilai ke
dalam Dependent List, dan Juri ke dalam Factor. Lalu klik Post Hoc.

4. Pada jendela Post Hoc tandai LSD dan jangan lupa isikan 0,01 pada Significance
level. Lalu klik Continue.

27
5. Klik Options. Pada jendela Options tandai pada Descriptive dan Homogeneity of
variance test. Lalu klik Continue.

6. Klik OK. Maka akan muncul hasil seperti yang tertera pada Lampiran SPSS dengan
judul Oneway.

28
 >Warning # 849 in column 23. Text: in_ID
>The LOCALE subcommand of the SET command has an invalid parameter. It could
>not be mapped to a valid backend locale.
NEW FILE.
DATASET NAME DataSet1 WINDOW=FRONT.
GLM Jenis1 Jenis2 Jenis3 Jenis4
/WSFACTOR=Jenis_Anggur 4 Polynomial
/MEASURE=Juri
/METHOD=SSTYPE(3)
/PLOT=PROFILE(Jenis_Anggur)
/EMMEANS=TABLES(Jenis_Anggur) COMPARE ADJ(BONFERRONI)
/PRINT=DESCRIPTIVE ETASQ
/CRITERIA=ALPHA(.01)
/WSDESIGN=Jenis_Anggur.

General Linear Model

Notes

Output Created 15-DEC-2017 02:07:24

Comments
Input Active Dataset DataSet1
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data
File 6

Missing Value Handling Definition of Missing User-defined missing values are

treated as missing.
Cases Used Statistics are based on all cases with
valid data for all variables in the
model.
Syntax GLM Jenis1 Jenis2 Jenis3 Jenis4
/WSFACTOR=Jenis_Anggur 4
Polynomial
/MEASURE=Juri
/METHOD=SSTYPE(3)
/PLOT=PROFILE(Jenis_Anggur)
/EMMEANS=TABLES
(Jenis_Anggur) COMPARE ADJ
(BONFERRONI)
/PRINT=DESCRIPTIVE ETASQ
/CRITERIA=ALPHA(.01)
/WSDESIGN=Jenis_Anggur.
00:00:03,08
Page 1
 Notes

Resources Processor Time 00:00:03,08

Elapsed Time 00:00:03,68

[DataSet1]

Within-Subjects Factors
Measure: Juri
Dependent
Jenis_Anggur Variable
1 Jenis1
2 Jenis2
3 Jenis3
4 Jenis4

Descriptive Statistics

Mean Std. Deviation N

Jenis1 20,00 3,742 6
Jenis2 22,00 3,162 6
Jenis3 26,67 2,658 6
Jenis4 26,00 2,608 6

Multivariate Testsa

Effect Value F Hypothesis df Error df Sig.

b
Jenis_Anggur Pillai's Trace ,977 42,200 3,000 3,000 ,006 ,977
Wilks' Lambda ,023 42,200b 3,000 3,000 ,006 ,977
b
Hotelling's Trace 42,200 42,200 3,000 3,000 ,006 ,977
b
Roy's Largest Root 42,200 42,200 3,000 3,000 ,006 ,977

Multivariate Testsa

Partial Eta
Effect Squared
Jenis_Anggur Pillai's Trace ,977
Wilks' Lambda ,977
Hotelling's Trace ,977
Roy's Largest Root ,977
a. Design: Intercept
Within Subjects Design: Jenis_Anggur
b. Exact statistic

Page 2
 Mauchly's Test of Sphericity a
Measure: Juri

Epsilonb
Approx. Chi- Greenhouse-
Within Subjects Effect Mauchly's W Square df Sig. Geisser
Jenis_Anggur ,352 3,891 5 ,577 ,604 ,927

Mauchly's Test of Sphericity a

Measure: Juri
Epsilonb

Within Subjects Effect Huynh-Feldt Lower-bound

Jenis_Anggur ,927 ,333
Tests the null hypothesis that the error covariance matrix of the orthonormalized transformed dependent variables
is proportional to an identity matrix.
a. Design: Intercept
Within Subjects Design: Jenis_Anggur
b. May be used to adjust the degrees of freedom for the averaged tests of significance. Corrected tests are
displayed in the Tests of Within-Subjects Effects table.

Tests of Within-Subjects Effects

Measure: Juri
Type III Sum of
Source Squares df Mean Square F
Jenis_Anggur Sphericity Assumed 184,000 3 61,333 57,500 ,000
Greenhouse-Geisser 184,000 1,811 101,583 57,500 ,000
Huynh-Feldt 184,000 2,781 66,162 57,500 ,000
Lower-bound 184,000 1,000 184,000 57,500 ,001
Error(Jenis_Anggur) Sphericity Assumed 16,000 15 1,067
Greenhouse-Geisser 16,000 9,057 1,767
Huynh-Feldt 16,000 13,905 1,151
Lower-bound 16,000 5,000 3,200

Page 3
 Tests of Within-Subjects Effects
Measure: Juri
Partial Eta
Source Sig. Squared
Jenis_Anggur Sphericity Assumed ,000 ,920
Greenhouse-Geisser ,000 ,920
Huynh-Feldt ,000 ,920
Lower-bound ,001 ,920
Error(Jenis_Anggur) Sphericity Assumed
Greenhouse-Geisser
Huynh-Feldt
Lower-bound

Tests of Within-Subjects Contrasts

Measure: Juri
Type III Sum of
Source Jenis_Anggur Squares df Mean Square F Sig.
Jenis_Anggur Linear 154,133 1 154,133 72,250 ,000 ,935
Quadratic 10,667 1 10,667 16,000 ,010 ,762
Cubic 19,200 1 19,200 48,000 ,001 ,906
Error(Jenis_Anggur) Linear 10,667 5 2,133
Quadratic 3,333 5 ,667
Cubic 2,000 5 ,400

Tests of Within-Subjects Contrasts

Measure: Juri
Partial Eta
Source Jenis_Anggur Squared
Jenis_Anggur Linear ,935
Quadratic ,762
Cubic ,906
Error(Jenis_Anggur) Linear
Quadratic
Cubic

Tests of Between-Subjects Effects

Measure: Juri
Transformed Variable: Average
Type III Sum of Partial Eta
Source Squares df Mean Square F Sig. Squared
Intercept 13442,667 1 13442,667 387,769 ,000 ,987
Error 173,333 5 34,667

Page 4
Estimated Marginal Means
Jenis_Anggur
Estimates
Measure: Juri
99% Confidence Interval
Jenis_Anggur Mean Std. Error Lower Bound Upper Bound
1 20,000 1,528 13,841 26,159
2 22,000 1,291 16,795 27,205
3 26,667 1,085 22,291 31,043
4 26,000 1,065 21,707 30,293

Pairwise Comparisons
Measure: Juri
99%
Confidence b...
Mean
(I) Jenis_Anggur (J) Jenis_Anggur Difference (I-J) Std. Error Sig.b Lower Bound
1 2 -2,000 ,577 ,108 -5,544 1,544
3 -6,667* ,667 ,001 -10,759 -2,574
4 -6,000* ,856 ,005 -11,257 -,743
2 1 2,000 ,577 ,108 -1,544 5,544
*
3 -4,667 ,333 ,000 -6,713 -2,621
4 -4,000* ,516 ,003 -7,170 -,830
*
3 1 6,667 ,667 ,001 2,574 10,759
*
2 4,667 ,333 ,000 2,621 6,713
4 ,667 ,494 1,000 -2,368 3,702
4 1 6,000* ,856 ,005 ,743 11,257
2 4,000* ,516 ,003 ,830 7,170
3 -,667 ,494 1,000 -3,702 2,368

Page 5
 Pairwise Comparisons
Measure: Juri
99% Confidence
Interval for b...

(I) Jenis_Anggur (J) Jenis_Anggur Upper Bound

1 2 1,544
3 -2,574
4 -,743
2 1 5,544
3 -2,621
4 -,830
3 1 10,759
2 6,713
4 3,702
4 1 11,257
2 7,170
3 2,368
Based on estimated marginal means
*. The mean difference is significant at the ,01 level.
b. Adjustment for multiple comparisons: Bonferroni.

Multivariate Tests

Partial Eta
Value F Hypothesis df Error df Sig. Squared
Pillai's trace ,977 42,200a 3,000 3,000 ,006 ,977
a
Wilks' lambda ,023 42,200 3,000 3,000 ,006 ,977
a
Hotelling's trace 42,200 42,200 3,000 3,000 ,006 ,977
Roy's largest root 42,200 42,200a 3,000 3,000 ,006 ,977
Each F tests the multivariate effect of Jenis_Anggur. These tests are based on the linearly independent
pairwise comparisons among the estimated marginal means.
a. Exact statistic

Profile Plots

Page 6
 Estimated Marginal Means of Juri

26
Estimated Marginal Means

24

22

20

1 2 3 4

Jenis_Anggur

Page 7
 >Warning # 849 in column 23. Text: in_ID
>The LOCALE subcommand of the SET command has an invalid parameter. It could
>not be mapped to a valid backend locale.
NEW FILE.
DATASET NAME DataSet1 WINDOW=FRONT.
ONEWAY Nilai BY Juri
/STATISTICS DESCRIPTIVES HOMOGENEITY
/MISSING ANALYSIS
/POSTHOC=LSD ALPHA(0.01).

Oneway
Notes

Output Created 18-DEC-2017 10:46:30

Comments
Input Active Dataset DataSet1
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data
File 24

Missing Value Handling Definition of Missing User-defined missing values are

treated as missing.
Cases Used Statistics for each analysis are
based on cases with no missing data
for any variable in the analysis.
Syntax ONEWAY Nilai BY Juri
/STATISTICS DESCRIPTIVES
HOMOGENEITY
/MISSING ANALYSIS
/POSTHOC=LSD ALPHA(0.01).
Resources Processor Time 00:00:00,03
Elapsed Time 00:00:00,02

[DataSet1]

Page 1
 Descriptives
Nilai

95% Confidence Interval for Mean

N Mean Std. Deviation Std. Error Lower Bound Upper Bound Minimum
juri1 4 25,00 3,830 1,915 18,91 31,09 20 28
juri2 4 20,00 4,243 2,121 13,25 26,75 15 24
juri3 4 21,00 2,944 1,472 16,32 25,68 18 24
juri4 4 28,00 2,309 1,155 24,33 31,67 26 30
juri5 4 25,00 2,582 1,291 20,89 29,11 22 28
juri6 4 23,00 3,651 1,826 17,19 28,81 19 27
Total 24 23,67 4,029 ,822 21,97 25,37 15 30

Descriptives
Nilai

Maximum
juri1 28
juri2 24
juri3 24
juri4 30
juri5 28
juri6 27
Total 30

Test of Homogeneity of Variances

Nilai

Levene Statistic df1 df2 Sig.

1,200 5 18 ,349

ANOVA
Nilai
Sum of
Squares df Mean Square F Sig.
Between Groups 173,333 5 34,667 3,120 ,034
Within Groups 200,000 18 11,111
Total 373,333 23

Post Hoc Tests

Page 2
 Multiple Comparisons
Dependent Variable: Nilai
LSD

99% Confidence Interval

Mean
(I) Juri (J) Juri Difference (I-J) Std. Error Sig. Lower Bound Upper Bound
juri1 juri2 5,000 2,357 ,048 -1,78 11,78
juri3 4,000 2,357 ,107 -2,78 10,78
juri4 -3,000 2,357 ,219 -9,78 3,78
juri5 ,000 2,357 1,000 -6,78 6,78
juri6 2,000 2,357 ,407 -4,78 8,78
juri2 juri1 -5,000 2,357 ,048 -11,78 1,78
juri3 -1,000 2,357 ,676 -7,78 5,78
*
juri4 -8,000 2,357 ,003 -14,78 -1,22
juri5 -5,000 2,357 ,048 -11,78 1,78
juri6 -3,000 2,357 ,219 -9,78 3,78
juri3 juri1 -4,000 2,357 ,107 -10,78 2,78
juri2 1,000 2,357 ,676 -5,78 7,78
*
juri4 -7,000 2,357 ,008 -13,78 -,22
juri5 -4,000 2,357 ,107 -10,78 2,78
juri6 -2,000 2,357 ,407 -8,78 4,78
juri4 juri1 3,000 2,357 ,219 -3,78 9,78
*
juri2 8,000 2,357 ,003 1,22 14,78
juri3 7,000* 2,357 ,008 ,22 13,78
juri5 3,000 2,357 ,219 -3,78 9,78
juri6 5,000 2,357 ,048 -1,78 11,78
juri5 juri1 ,000 2,357 1,000 -6,78 6,78
juri2 5,000 2,357 ,048 -1,78 11,78
juri3 4,000 2,357 ,107 -2,78 10,78
juri4 -3,000 2,357 ,219 -9,78 3,78
juri6 2,000 2,357 ,407 -4,78 8,78
juri6 juri1 -2,000 2,357 ,407 -8,78 4,78
juri2 3,000 2,357 ,219 -3,78 9,78
juri3 2,000 2,357 ,407 -4,78 8,78
juri4 -5,000 2,357 ,048 -11,78 1,78
juri5 -2,000 2,357 ,407 -8,78 4,78
*. The mean difference is significant at the 0.01 level.

Page 3