UJI F DAN UJI T

Uji F dikenal dengan Uji serentak atau uji Model/Uji Anova, yaitu uji untuk
melihat bagaimanakah pengaruh semua variabel bebasnya secara bersama-sama
terhadap variabel terikatnya. Atau untuk menguji apakah model regresi yang kita buat
baik/signifikan atau tidak baik/non signifikan.
Jika model signifikan maka model bisa digunakan untuk prediksi/peramalan,
sebaliknya jika non/tidak signifikan maka model regresi tidak bisa digunakan untuk
peramalan.
Uji F dapat dilakukan dengan membandingkan F hitung dengan F tabel, jika F
hitung > dari F tabel, (Ho di tolak Ha diterima) maka model signifikan atau bisa
dilihat dalam kolom signifikansi pada Anova (Olahan dengan SPSS, Gunakan Uji
Regresi dengan Metode Enter/Full Model ). Model signifikan selama kolom
signifikansi (%) < Alpha (kesiapan berbuat salah tipe 1, yang menentukan peneliti
sendiri, ilmu sosial biasanya paling besar alpha 10%, atau 5% atau 1%). Dan
sebaliknya jika F hitung < F tabel, maka model tidak signifikan, hal ini juga ditandai
nilai kolom signifikansi (%) akan lebih besar dari alpha.
Uji t dikenal dengan uji parsial, yaitu untuk menguji bagaimana pengaruh
masing-masing variabel bebasnya secara sendiri-sendiri terhadap variabel terikatnya.
Uji ini dapat dilakukan dengan mambandingkan t hitung dengan t tabel atau dengan
melihat kolom signifikansi pada masing-masing t hitung, proses uji t identik dengan
Uji F (lihat perhitungan SPSS pada Coefficient Regression Full Model/Enter). Atau
bisa diganti dengan Uji metode Stepwise.
Pernggunaan Uji F dan t akan dijelaskan lebih lanjut dalam Bab selanjutnya.








UJI NORMALITAS

Uji normalitas berguna untuk menentukan data yang telah dikumpulkan
berdistribusi normal atau diambil dari populasi normal. Metode klasik dalam
pengujian normalitas suatu data tidak begitu rumit. Berdasarkan pengalaman empiris
beberapa pakar statistik, data yang banyaknya lebih dari 30 angka (n > 30), 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. uji statistik normalitas yang dapat digunakan diantaranya Chi-
Square, Kolmogorov Smirnov, Lilliefors, Shapiro Wilk.

1. METODE CHI SQUARE (UJI GOODNESS OF FIT DISTRIBUSI
NORMAL)
Metode Chi-Square atau X
2
untuk Uji Goodness of fit Distribusi Normal
menggunakan pendekatan penjumlahan penyimpangan data observasi tiap kelas
dengan nilai yang diharapkan.
( )

=
i
i i
E
E O
X
2

Keterangan :
X
2

= Nilai X
2

O
i
= Nilai observasi
E
i
= Nilai expected / harapan, luasan interval kelas berdasarkan tabel normal
dikalikan N (total frekuensi) (pi x N)
N = Banyaknya angka pada data (total frekuensi)

Komponen penyusun rumus tersebut di atas didapatkan berdasarkan pada hasil
transformasi data distribusi frekuensi yang akan diuji normalitasnya, sebagai berikut:
No
Batas
Interval
SD
X X
Z
i

=

p
i
O
i
E
i
(p
i
x N)
Kelas
1
2
3
dst

Keterangan :
Xi = Batas tidak nyata interval kelas
Z = Transformasi dari angka batas interval kelas ke notasi pada distribusi normal
pi = Luas proporsi kurva normal tiap interval kelas berdasar tabel normal
(lampiran)
Oi = Nilai observasi
Ei = Nilai expected / harapan, luasan interval kelas berdasarkan tabel normal
dikalikan N (total frekuensi) ( pi x N )

Persyaratan Metode Chi Square (Uji Goodness of fit Distribusi Normal)
a. Data tersusun berkelompok atau dikelompokkan dalam tabel distribus frekuensi.
b. Cocok untuk data dengan banyaknya angka besar ( n > 30 )
c. Setiap sel harus terisi, yang kurang dari 5 digabungkan.




Signifikansi
Signifikansi uji, nilai X
2
hitung dibandingkan dengan X
2
tabel (Chi-Square).
Jika nilai X
2
hitung < nilai X
2
tabel, maka Ho diterima ; Ha ditolak.
Jika nilai X
2
hitung > nilai X
2
tabel, maka maka Ho ditolak ; Ha diterima.

Contoh :
DIAMBIL TINGGI BADAN MAHASISWA DI SUATU PERGURUAN TINGGI
TAHUN 1990
TINGGI BADAN JUMLAH
140 - 144 7
145 - 149 10
150 - 154 16
155 - 159 23
160 - 164 21
165 - 169 17
170 174 6
JUMLAH 100

Selidikilah dengan = 5%, apakah data tersebut di atas berdistribusi normal ? (Mean
= 157.8; Standar deviasi = 8.09)
Penyelesaian :
1. Hipotesis :

Ho : Populasi tinggi badan mahasiswa berdistribusi normal
H
1
: Populasi tinggi badan mahasiswa tidak berdistribusi normal

2. Nilai
Nilai = level signifikansi = 5% = 0,05

3. Rumus Statistik penguji
( )

=
i
i i
E
E O
X
2


Batas Interval
Kelas
SD
X X
Z
i

=

p
i
O
i
E
i
(p
i
x N)
139.5 - 144.5 -2.26 -
-
1.64 0.4881 - 0.4495 = 0.0386 7 3.86
144.5 - 149.5 -1.64 -
-
1.03 0.4495 - 0.3485 = 0.1010 10 10.1
149.5 - 154.5 -1.03 -
-
0.41 0.3485 - 0.1591 = 0.1894 16 18.94
154.5 - 159.5 -0.41 - 0.21 0.1591 - 0.0832 = 0.2423 23 24.23
159.5 - 164.5 0.21 - 0.83 0.0832 - 0.2967 = 0.2135 21 21.35
164.5 - 169.5 0.83 - 1.45 0.2967 - 0.4265 = 0.1298 17 12.98
169.5 174.5 1.45 - 2.06 0.4265 - 0.4803 = 0.0538 6 5.38
JUMLAH 100

Luasan pi dihitung dari batasan proporsi hasil tranformasi Z yang dikonfirmasikan
dengan tabel distribusi normal (Lampiran).

( )
( ) ( ) ( ) ( ) ( )
427 . 0
38 . 5
38 . 5 6
23 . 24
23 . 24 23
94 . 18
94 . 18 16
1 . 10
1 . 10 10
86 . 3
86 . 3 7
2 2 2 2 2
2
=

+ +

=
=

i
i i
E
E O
X


4. Derajat Bebas
Df = ( k 3 ) = ( 5 3 ) = 2

5. Nilai tabel
Nilai tabel X
2
; = 0,05 ; df = 2 ; = 5,991. Tabel X2 (Chi-Square) pada lampiran.

6. Daerah penolakan
- Menggunakan gambar

- Menggunakan rumus
Terima Tolak
0.1628 5.991
|0,427 | < |5,991| ; berarti Ho diterima, Ha ditolak

7. Kesimpulan
Populasi tinggi badan mahasiswa berdistribusi normal = 0,05.


2. METODE LILLIEFORS (N KECIL DAN N BESAR)
Metode Lilliefors 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 komultaif empiris. Beda terbesar dibanding dengan tabel
Lilliefors pada lampiran 4 Tabel Harga Quantil Statistik Lilliefors Distribusi Normal.
No X
i
SD
X X
Z
i

=

F(X) S(X) | F(X)-S(X) |
1
2
3
Dst
Keterangan :
Xi = Angka pada data
Z = Transformasi dari angka ke notasi pada distribusi normal
F(x) = Probabilitas komulatif normal
S(x) = Probabilitas komulatif empiris

PERSYARATAN
a. Data berskala interval atau ratio (kuantitatif)
b. Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi
c. Dapat untuk n besar maupun n kecil.

SIGNIFIKANSI
Signifikansi uji, nilai | F (x) - S (x) | terbesar dibandingkan dengan nilai tabel
Lilliefors.
Jika nilai | F (x) - S (x) | terbesar < nilai tabel Lilliefors, maka Ho diterima ; Ha
ditolak.
Jika nilai | F(x) - S(x) | terbesar > dari nilai tabel Lilliefors, maka Ho ditolak ; Ha
diterima. Tabel Lilliefors pada lampiran, Tabel Harga Quantil Statistik Lilliefors
Distribusi Normal

Contoh :
Berdasarkan data ujian statistik dari 18 mahasiswa didapatkan data sebagai berikut ;
46, 57, 52, 63, 70, 48, 52, 52, 54, 46, 65, 45, 68, 71, 69, 61, 65, 68. Selidikilah dengan
= 5%, apakah data tersebut di atas diambil dari populasi yang berdistribusi normal ?
Penyelesaian :

1. Hipotesis
Ho : Populasi nilai ujian statistik berdistribusi normal
H
1
: Populasi nilai ujian statistik tidak berdistribusi normal

2. Nilai
Nilai = level signifikansi = 5% = 0,05
3. Statistik Penguji

No Xi

SD
X X
Z
i

=
F(X) S(X) | F(X) - S(X) |
1 45 -1.4577 0.0721 0.0556 0.0165
2 46 -1.3492
0.0885 0.1667 0.0782
3 46 -1.3492
4 48 -1.1323 0.1292 0.2222 0.0930
5 52 -0.6985
0.242 0.3889 0.1469 6 52 -0.6985
7 52 -0.6985
8 54 -0.4816 0.3156 0.4444 0.1288
9 57 -0.1562 0.4364 0.5000 0.0636
10 61 0.27766 0.6103 0.5556 0.0547
11 63 0.49458 0.6879 0.6111 0.0768
12 65 0.7115
0.7611 0.7222 0.0389
13 65 0.7115
14 68 1.03688
0.8508 0.8333 0.0175
15 68 1.03688
16 69 1.14534 0.8749 0.8889 0.0140
17 70 1.2538 0.8944 0.9444 0.0500
18 71 1.36226 0.9131 1.0000 0.0869
Nilai | F(x) - S(x) | tertinggi sebagai angka penguji normalitas, yaitu 0,1469.

4. Derajat Bebas
Df tidak diperlukan

5. Nilai tabel
Nilai Kuantil Penguji Lilliefors, = 0,05 ; N = 18 yaitu 0,2000. Tabel Lilliefors
pada lampiran

6. Daerah penolakan
Menggunakan rumus
| 0,1469 | < | 0,2000| ; berarti Ho diterima, Ha ditolak

7. Kesimpulan
: Populasi nilai ujian statistik berdistribusi normal.

3. METODE KOLMOGOROV-SMIRNOV
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.
No X
i

SD
X X
Z
i

=

F
T
F
S
| F
T
- F
S
|
1
2
3
dst

Keterangan :
X
i
= Angka pada data
Z = Transformasi dari angka ke notasi pada distribusi normal
F
T
= Probabilitas komulatif normal
F
S
= Probabilitas komulatif empiris

PERSYARATAN
a. Data berskala interval atau ratio (kuantitatif)
b. Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi
c. Dapat untuk n besar maupun n kecil.

SIGINIFIKANSI
Signifikansi uji, nilai |F
T
F
S
| terbesar dibandingkan dengan nilai tabel Kolmogorov
Smirnov.
Jika nilai |F
T
F
S
| terbesar <nilai tabel Kolmogorov Smirnov, maka Ho diterima ; Ha
ditolak.
Jika nilai |F
T
F
S
| terbesar > nilai tabel Kolmogorov Smirnov, maka Ho ditolak ; Ha
diterima.
Tabel Kolmogorov Smirnov pada lampiran 5, Harga Quantil Statistik Kolmogorov
Distribusi Normal.

Contoh :
Suatu penelitian tentang berat badan mahasiswa yang mengijkuti pelatihan kebugaran
fisik/jasmani dengan sampel sebanyak 27 orang diambil secara random, didapatkan
data sebagai berikut ; 78, 78, 95, 90, 78, 80, 82, 77, 72, 84, 68, 67, 87, 78, 77, 88, 97,
89, 97, 98, 70, 72, 70, 69, 67, 90, 97 kg. Selidikilah dengan = 5%, apakah data
tersebut di atas diambil dari populasi yang berdistribusi normal ?

Penyelesaian :
1. Hipotesis
Ho : Populasi berat badan mahasiswa berdistribusi normal
H
1
: Populasi berat badan mahasiswa tidak berdistribusi normal

2. Nilai
Nilai = level signifikansi = 5% = 0,05

3. Statistik Penguji
No
X
i

SD
X X
Z
i

=

F
T
F
S
| F
T
- F
S
|
1 67 -1.3902
0.0823 0.0741 0.0082
2 67 -1.3902
3 68 -1.2929 0.0985 0.1111 0.0126
4 69 -1.1957 0.1151 0.1481 0.0330
5 70 -1.0985
0.1357 0.2222 0.0865
6 70 -1.0985
7 72 -0.904
0.1841 0.2963 0.1122
8 72 -0.904
9 77 -0.4178
0.3372 0.3704 0.0332
10 77 -0.4178
11 78 -0.3205
0.3745 0.5185 0.1440
12 78 -0.3205
13 78 -0.3205
14 78 -0.3205
15 80 -0.1261 0.4483 0.5556 0.1073
16 82 0.06843 0.5279 0.5926 0.0647
17 84 0.26291 0.6025 0.6296 0.0271
18 87 0.55463 0.7088 0.6667 0.0421
19 88 0.65188 0.7422 0.7037 0.0385
20 89 0.74912 0.7734 0.7407 0.0327
21 90 0.84636
0.8023 0.8148 0.0125
22 90 0.84636
23 95 1.33256 0.9082 0.5190 0.3892
24 97 1.52704
0.9370 0.9630 0.0260 25 97 1.52704
26 97 1.52704
27 98 1.62429 0.7474 1.0000 0.2526
Nilai |F
T
F
S
| tertinggi sebagai angka penguji normalitas, yaitu 0,1440

4. Derajat bebas
Df tidak diperlukan

5. Nilai tabel
Nilai Kuantil Penguji Kolmogorov, = 0,05 ; N = 27 ; yaitu 0,254. Tabel
Kolmogorov Smirnov pada lampiran.

6. Daerah penolakan
Menggunakan rumus
| 0,1440 | < | 0,2540| ; berarti Ho diterima, Ha ditolak

7. Kesimpulan
Populasi tinggi badan mahasiswa berdistribusi normal = 0,05.

4. METODE SHAPIRO WILK
Metode Shapiro Wilk menggunakan data dasar yang belum diolah dalam tabel
distribusi frekuensi. Data diurut, kemudian dibagi dalam dua kelompok untuk
dikonversi dalam Shapiro Wilk. Dapat juga dilanjutkan transformasi dalam nilai Z
untuk dapat dihitung luasan kurva normal.
( )
2
1
1 3
1
(

=

=
+
k
i
i i n i
X X a
D
T
Keterangan :
D = Berdasarkan rumus di bawah
ai = Koefisient test Shapiro Wilk (lampiran 8)
X
n-i+1
= Angka ke n i + 1 pada data
X
i
= Angka ke i pada data

( )
2
1

=
=
n
i
i
X X D

Keterangan :
X
i
= Angka ke i pada data yang
X = Rata-rata data
|
|
.
|

\
|

+ + =
3
3
1
ln
T
d T
c b G
n
n n

Keterangan :
G = Identik dengan nilai Z distribusi normal
T3 = Berdasarkan rumus di atas
b
n
, c
n
, d
n
= Konversi Statistik Shapiro-Wilk Pendekatan Distribusi Normal
(lampiran)

PERSYARATAN
a. Data berskala interval atau ratio (kuantitatif)
b. Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi
c. Data dari sampel random

SIGNIFIKANSI
Signifikansi dibandingkan dengan tabel Shapiro Wilk. Signifikansi uji nilai T
3

dibandingkan dengan nilai tabel Shapiro Wilk, untuk dilihat posisi nilai
probabilitasnya (p).
Jika nilai p > 5%, maka Ho diterima ; Ha ditolak.
Jika nilai p < 5%, maka Ho ditolak ; Ha diterima.
Tabel Harga Quantil Statistik Shapiro-Wilk Distribusi Normal. Jika digunakan rumus
G, maka digunakan tabel 2 distribusi normal.

Contoh :
Berdasarkan data usia sebagian balita yang diambil sampel secara random dari
posyandu Mekar Sari Wetan sebanyak 24 balita, didapatkan data sebagai berikut : 58,
36, 24, 23, 19, 36, 58, 34, 33, 56, 33, 26, 46, 41, 40, 37, 36, 35, 18, 55, 48, 32, 30 27
bulan. Selidikilah data usia balita tersebut, apakah data tersebut diambil dari populasi
yang berdistribusi normal pada = 5% ?
Penyelesaian :

1. Hipotesis
Ho : Populasi usia balita berdistribusi normal
H
1
: Populasi usia balita tidak berdistribusi normal

2. Nilai
Nilai = level signifikansi = 5% = 0,05

3. Rumus statistik penguji
Langkah pertama dihitung nilai D, yaitu :
No X
i

X X
i
( )
2
X X
i

1 18 -18.7083 350.0005
2 19 -17.7083 313.5839
3 23 -13.7083 187.9175
4 24 -12.7083 161.5009
5 26 -10.7083 114.6677
6 27 -9.7083 94.25109
7 30 -6.7083 45.00129
8 32 -4.7083 22.16809
9 33 -3.7083 13.75149
10 33 -3.7083 13.75149
11 34 -2.7083 7.334889
12 35 -1.7083 2.918289
13 36 -0.7083 0.501689
14 36 -0.7083 0.501689
15 36 -0.7083 0.501689
16 37 0.2917 0.085089
17 40 3.2917 10.83529
18 41 4.2917 18.41869
19 46 9.2917 86.33569
20 48 11.2917 127.5025
21 55 18.2917 334.5863
22 56 19.2917 372.1697
23 58 21.2917 453.3365
24 58 21.2917 453.3365
JUMLAH 3184.958


Langkah berikutnya hitung nilai T, yaitu :
I a
i
X
n-i+1
- X
i
a
i
( X
n-i+1
- X
i
)
1 0.4493 58 - 18 = 40 17.972
2 0.3098 58 - 19 = 39 12.0822
3 0.2554 56 - 23 = 33 8.4282
4 0.2145 55 - 24 = 31 6.6495
5 0.1807 48 - 26 = 22 3.9754
6 0.1512 46 - 27 = 19 2.8728
7 0.1245 41 - 30 = 11 1.3695
8 0.0997 40 - 32 = 8 0.7976
9 0.0764 37 - 33 = 4 0.3056
10 0.0539 36 - 33 = 3 0.1617
11 0.0321 36 - 34 = 2 0.0642
12 0.0107 36 - 35 = 1 0.0107
JUMLAH 54.6894
( ) ( ) 9391 . 0 6894 . 54
958 . 3187
1 1
2
2
1
1 3
= =
(

=

=
+
k
i
i i n i
X X a
D
T

4. Derajat bebas
Db = n

5. Nilai tabel
Pada lampiran dapat dilihat, nilai (0,10) = 0,930 ; nilai (0,50) = 0,963

6. Daerah penolakan
Nilai T3 terletak diantara 0,930 dan 0,963, atau nilai p hitung terletak diantara
0,10 dan 0,50, yang diatas nilai (0,05) berarti Ho diterima, Ha ditolak

7. Kesimpulan
Sampel diambil dari populasi normal, pada = 0,05. Cara lain setelah nilai T3
diketahui dapat menggunakan rumus G, yaitu :
2617 . 1
9391 . 0 1
2106 . 0 9391 . 0
ln 862 . 1 605 . 5
1
ln
1
ln
3
24 3
24 24
3
3
=
|
.
|

\
|

+ + =
|
|
.
|

\
|

+ + =
|
|
.
|

\
|

+ + =
T
d T
c b
T
d T
c b G
n
n n

Hasil nilai G merupakan nilai Z pada distribusi normal, yang selanjutnya dicari
nilai proporsi (p) luasan pada tabel distribusi normal (lampiran). Berdasarkan
nilai G = -1,2617, maka nilai proporsi luasan = 0,1038. Nilai p tersebut di atas
nilai = 0,05 berarti Ho diterima Ha ditolak. Data benar-benar diambil dari
populasi normal.

UJI HOMOGENITAS

Pengujian homogenitas adalah pengujian mengenai sama tidaknya variansi-variansi dua
buah distribusi atau lebih. Uji homogenitas yang akan dibahas dalam tulisan ini
adalah Uji Homogenitas Variansi dan Uji Burlett. Uji homogenitas dilakukan untuk
mengetahui apakah data dalam variabel X dan Y bersifat homogen atau tidak.

1. UJI HOMOGENITAS VARIANSI
Langkah-langkah menghitung uji homogenitas :
1. Mencari Varians/Standar deviasi Variabel X danY, dengan rumus :
( )
( ) 1
.
2
2
2

=

n n
X X n
S
X

( )
( ) 1
.
2
2
2

=

n n
Y Y n
S
Y

2. Mencari F hitung dengan dari varians X danY, dengan rumus :
kecil
besar
S
S
F =

3. Membandingkan F
hitung
dengan F
tabel
pada tabel distribusi F, dengan
- untuk varians terbesar adalah dk pembilang n-1
- untuk varians terkecil adalah dk penyebut n-1
JikaF
hitung
< F
tabel
, berarti homogen
JikaF
hitung
> F
tabel
, berarti tidak homogen

Contoh :
Data tentang hubungan antara Penguasaan kosakata(X) dan kemampuan membaca
(Y)
X Y XY
75 68 5625 4624 5100
78 72 6084 5184 5616
38 63 1444 3969 2394
94 74 8836 5476 6956
83 68 6889 4624 5644
91 81 8281 6561 7371
87 72 7569 5184 6264
91 74 8281 5476 6734
38 58 1444 3364 2204
68 58 4624 3364 3944
JUMLAH 743 688 59077 47826 52227

Kemudian dilakukan penghitungan, dengan rumus yang ada :
( )
74 . 20 23 . 430
1 10 10
743 59077 . 10
2
2
= =

=
X
S

( )
39 . 7 62 . 54
1 10 10
688 47826 10
2
2
= =

=
Y
S

Kemudian dicari F
hitung
:
81 . 2
39 . 7
74 . 20
= = =
kecil
besar
S
S
F

Dari penghitungan diatas diperoleh Fhitung 2.81 dan dari grafik daftar distribusi F
dengan dk pembilang = 10-1 = 9. Dk penyebut = 10-1 = 9. Dan = 0.05 dan F
tabel
=
3.18.
Tampak bahwa F
hitung
< F
tabel
. Hal ini berarti data variabel X dan Y homogen.


2. UJI BURLETT
Misalkan samoel berukuran n
1
,n
2
,,n
k
dengan data Y
ij
= (I = 1,2,,k dan j =
1,2,,n
k
) dan hasil pengamatan telah disusun seperti dalam Tabel dibawah ini.
selanjutnya sampel-sampel dhitung variansnya masing-masing yaitu s
1
2
, s
2
2
, , s
k
2

Data Polulasi ke
1 2 K
Data
hasil
Pengamatan
y
11
y
12

y
1n1
y
21
y
21

y
2n1

y
k1
y
k1

y
kn1
Untuk mempermudah perhitungan, satuan-satuan yang diperlukan uji bartlett lebih
baik disusun dalam sebuah tabel sebagai berikut :
Sampel
ke
dk 1/dk s
i
2
log s
i
2
dk log (s
i
2
)
1 n
1
-1 1/( n
1
-1) s
1
2
log s
1
2
(n
1
-1) log s
1
2

2 n
2
-1 1/( n
2
-1) s
2
2
log s
2
2
(n
2
-1) log s
2
2


k n
k
-1 1/( n
k
-1) s
k
2
log s
k
2
(n
k
-1) log s
k
2


Dari tabel diatas hitung nilai-nilai yang dibutuhkan :
1. Varians gabungan dari semua sampel
( )
( )

=
1
1
2
2
n
s n
s
i i

2. Harga satuan B dengan rumus
( ) ( )

= 1 log
2
i
n s B

Uji bartlett digunakan statistik chi-kuadrat yaitu :
( ) ( ) { }
2 2
log 1 10 ln
i
s n B

= _

Dengan ln 10 = 2.3026

SIDGIFIKANSI
Jika
( )( )
2
1 1
2

>
k o
_ _ maka Ho ditolak
Jika
( )( )
2
1 1
2

s
k o
_ _ maka Ho diterima
Dimana Jika
( )( )
2
1 1 k o
_ didapatkan dari tabel distribusi chi-kuadrat dengan peluang (1-
) dan dk = (k-1)

Contoh :
Diambil data pertumbuhan berat badan anak sapi karena 4 jenis makanan
Data Populasi ke
1 2 3 4
Data
hasil
Pengamatan
12
20
23
10
17

14
15
10
19
22
6
16
16
20
9
14
18
19

Dengan varian setiap adalah sebagai berikut :
7 . 20 , 7 . 35 , 5 . 21 , 3 . 29
2
4
2
3
2
2
2
1
= = = = s s s s

1. Hipotesis
Ho =
2
4
2
3
2
2
2
1
o o o o = = =

H1 =
2
4
2
3
2
2
2
1
o o o o = = =


2. Nilai
Nilai = level signifikansi = 5% = 0,05

3. Rumus statistik penguji
Untuk mempermudah perhitungan, satuan-satuan yang diperlukan uji bartlett
lebih baik disusun dalam sebuah tabel sebagai berikut :


Sampel ke dk 1/dk s
i
2
log s
i
2
dk log (s
i
2
)
1 4 0.25 29.3 1.4669 5.8675
2 4 0.25 21.5 1.3324 5.3298
3 3 0.33 35.7 1.5527 4.6580
4 3 0.33 20.7 1.3160 3.9479
JUMLAH 14 1.17 19.8031

Varians gabungan dari empat sampel diatas adalah :
( ) ( ) ( ) ( )
6 . 26
3 3 4 4
7 . 20 4 7 . 35 3 5 . 21 4 3 . 29 4
2
=
+ + +
+ + +
= s

Sehingga log s
2
= log 26.6 =01.4249
Dan
( ) ( ) ( )( ) 9486 . 19 14 4249 . 1 1 log
2
= = =
i
n s B

Sehingga
( ) ( ) { } ( )( ) 063 . 0 198033 9486 . 19 3026 . 2 log 1 10 ln
2 2
= = =
i
s n B _

4. Derajat bebas
Dk = 3

5. Nilai tabel
Jika = 5% dari tabel distribusi chi kuadrat dengan dk = 3 didapat 81 . 7
2
) 3 ( 95 . 0
= _ .

6. Daerah penolakan
Menggunakan rumus
0,063 < 7.81 ; berarti Ho diterima, H1 ditolak

7. Kesimpulan
2
4
2
3
2
2
2
1
o o o o = = = dengan = 0,05.