ANCOVA (Analysis of Covariance): Pengertian, Asumsi, Langkah SPSS, dan Cara Membaca Hasilnya

ANCOVA (analysis of covariance) adalah uji untuk membandingkan rata-rata beberapa kelompok setelah pengaruh variabel lain, yang disebut kovariat, disetarakan secara statistik. ANCOVA menggabungkan dua hal: ANOVA untuk membandingkan kelompok dan regresi untuk memperhitungkan kovariat (Field, 2018).

Misalnya, Anda ingin membandingkan nilai siswa dari tiga metode mengajar. Masalahnya, nilai juga dipengaruhi kemampuan awal siswa, seperti IQ atau nilai pretest. ANCOVA membantu menjawab pertanyaan ini: jika IQ siswa di ketiga kelompok dianggap sama, apakah metode mengajar masih membuat perbedaan?

Artikel ini bagian dari seri Materi Statistik IDTesis. Jika belum mengenal ANOVA, baca dulu artikel ANOVA.

Kapan Menggunakan ANCOVA?

ANCOVA dipakai jika data Anda punya tiga unsur berikut:

• Variabel terikat berskala interval atau rasio, misalnya nilai tes.
• Variabel bebas berupa kelompok, misalnya Metode A, B, dan C.
• Kovariat berskala interval atau rasio yang berhubungan dengan variabel terikat tetapi bukan fokus penelitian, misalnya IQ atau nilai pretest.

ANCOVA punya dua manfaat. Pertama, variasi yang berasal dari kovariat dikeluarkan dari kesalahan, sehingga uji menjadi lebih peka. Kedua, rata-rata kelompok disesuaikan jika kemampuan awal kelompok sedikit berbeda (Tabachnick & Fidell, 2019). Dalam penelitian pendidikan, kovariat yang paling sering dipakai adalah nilai pretest.

Perlu diingat: ANCOVA bekerja paling baik jika anggota kelompok dibagi secara acak. Jika kelompok sudah berbeda sejak awal, misalnya kelas unggulan dibandingkan dengan kelas reguler dan IQ dijadikan kovariat, ANCOVA tidak bisa “menyamakan” kedua kelas itu. Perbedaan IQ di sini adalah bagian dari perbedaan kelompok itu sendiri (Miller & Chapman, 2001).

Asumsi ANCOVA

1. Asumsi ANOVA tetap berlaku. Pengamatan saling bebas, residual berdistribusi kira-kira normal, dan varians kesalahan antarkelompok sama. Cara mengujinya dibahas di artikel uji normalitas dan uji homogenitas ?.
2. Kovariat berhubungan linear dengan variabel terikat. Periksa dengan diagram pencar atau korelasi.
3. Kemiringan garis regresi sama di semua kelompok (homogeneity of regression slopes). Artinya, pengaruh kovariat terhadap variabel terikat sama besar di setiap kelompok. Asumsi ini diuji lewat interaksi kelompok × kovariat.
4. Kovariat diukur sebelum perlakuan dan tidak dipengaruhi oleh perlakuan.
5. Kovariat diukur dengan reliabel. Kovariat yang banyak kesalahan ukurnya membuat penyesuaian rata-rata menjadi kurang tepat (Huitema, 2011).

Contoh Kasus: Tiga Metode Mengajar dengan IQ sebagai Kovariat

Contoh ini memakai data dari versi lama artikel ini: 36 siswa dibagi ke tiga metode mengajar, masing-masing 12 siswa. Variabel terikatnya nilai, dan kovariatnya IQ.

Rata-rata IQ ketiga kelompok tidak berbeda signifikan, F(2, 33) = 1,14; p = 0,333. Korelasi IQ dengan nilai cukup kuat (r = 0,74), sehingga IQ layak dipakai sebagai kovariat.

Langkah 1: Uji Kesamaan Kemiringan

1. Klik Analyze > General Linear Model > Univariate.
2. Masukkan nilai ke Dependent Variable, metode ke Fixed Factor(s), dan IQ ke Covariate(s).
3. Klik Model, pilih Build terms (di SPSS versi lama: Custom). Masukkan metode, IQ, dan interaksi metode*IQ ke kotak model. Klik Continue, lalu OK.

Lihat baris interaksi metode × IQ. Di contoh ini interaksinya tidak signifikan, F(2, 30) = 0,11; p = 0,898. Kemiringan garis di ketiga kelompok hampir sama (1,21; 1,05; dan 1,05), jadi ANCOVA boleh dilanjutkan. Jika interaksi ini signifikan, pengaruh metode berbeda-beda tergantung IQ. ANCOVA biasa tidak tepat lagi, dan analisisnya perlu diganti dengan regresi yang memuat interaksi, seperti dibahas di artikel MRA ?.

Langkah 2: Jalankan ANCOVA

1. Buka lagi kotak Model dan kembalikan ke Full factorial.
2. Klik EM Means (di SPSS versi lama ada di Options). Masukkan metode ke Display Means for, centang Compare main effects, dan pilih Bonferroni.
3. Klik Options, centang Descriptive statistics, Estimates of effect size, dan Homogeneity tests. Klik Continue, lalu OK.

Cara Membaca Hasil ANCOVA

Bagian terpenting ada di tabel Tests of Between-Subjects Effects:

• Baris IQ menunjukkan kovariat berhubungan kuat dengan nilai.
• Baris metode menunjukkan bahwa setelah IQ dikontrol, nilai siswa berbeda menurut metode mengajar, F(2, 32) = 4,22; p = 0,024. Partial eta squared 0,21 berarti sekitar 21% variasi nilai yang tersisa setelah pengaruh IQ dikeluarkan berkaitan dengan metode.
• R² model sebesar 0,638 menunjukkan metode dan IQ bersama-sama menjelaskan sekitar 64% variasi nilai.

Bandingkan dengan ANOVA biasa tanpa kovariat: F(2, 33) = 0,67; p = 0,516, yang berarti tidak signifikan. Perbedaannya muncul karena ANCOVA mengeluarkan variasi akibat IQ dari kesalahan. Rata-rata kuadrat kesalahan turun dari 85,42 menjadi 33,16, sehingga perbedaan antarmetode lebih mudah terlihat.

Rata-Rata Terkoreksi dan Uji Lanjut

Rata-rata terkoreksi (estimated marginal means) adalah rata-rata nilai setiap kelompok seandainya IQ semua kelompok sama dengan rata-rata IQ keseluruhan, yaitu 110,97. Metode A naik dari 82,58 menjadi 84,93 karena siswanya rata-rata ber-IQ paling rendah. Metode C turun dari 81,92 menjadi 79,78 karena IQ-nya paling tinggi.

Tabel Pairwise Comparisons dengan koreksi Bonferroni menunjukkan Metode A lebih tinggi daripada Metode B (selisih 6,64; p = 0,026). Selisih Metode A dan C (5,15; p = 0,126) serta Metode B dan C (p = 1,000) tidak signifikan. Penjelasan tentang koreksi Bonferroni ada di artikel uji post hoc ANOVA ?.

Memeriksa Asumsi Lainnya

Uji Shapiro-Wilk pada residual menghasilkan p = 0,121, jadi residual bisa dianggap normal. Uji Levene di output ANCOVA dihitung dari residual model, dan hasilnya F(2, 33) = 4,10; p = 0,026. Artinya, varians kesalahan antarkelompok tidak sepenuhnya sama: kelompok C lebih seragam daripada A dan B.

Karena jumlah siswa di setiap kelompok sama (12), uji F relatif tahan terhadap masalah ini (Field, 2018). Meski begitu, sebaiknya lakukan cek tambahan dengan galat baku robust (HC3), yang dianjurkan untuk sampel kecil. Di contoh ini, dengan cara tersebut pengaruh metode berada di batas signifikansi (p = 0,066). Artinya, temuan bahwa Metode A lebih unggul perlu ditulis dengan hati-hati dan dicatat sebagai keterbatasan. Contoh ini juga menunjukkan mengapa pemeriksaan asumsi tidak boleh dilewati.

Memilih kovariat yang tepat dan membaca rata-rata terkoreksi memang sering membingungkan. Jika Anda butuh teman diskusi, tim IDTesis bisa membantu memeriksa langkah analisisnya.

Contoh Penulisan Hasil ANCOVA di Bab 4

Uji kesamaan kemiringan regresi menunjukkan bahwa interaksi metode dan IQ tidak signifikan, F(2, 30) = 0,11; p = 0,898, sehingga asumsi kesamaan kemiringan terpenuhi. Setelah IQ dikontrol, terdapat perbedaan nilai yang signifikan antarmetode mengajar, F(2, 32) = 4,22; p = 0,024; ?p² = 0,21. IQ berhubungan signifikan dengan nilai, F(1, 32) = 53,01; p < 0,001. Rata-rata terkoreksi Metode A (M = 84,93; SE = 1,69) lebih tinggi daripada Metode B (M = 78,29; SE = 1,66; p Bonferroni = 0,026), sedangkan perbedaan lainnya tidak signifikan. Namun, uji Levene menunjukkan varians kesalahan tidak sepenuhnya homogen (p = 0,026). Pemeriksaan ulang dengan galat baku robust (HC3) menghasilkan pengaruh metode yang berada di batas signifikansi (p = 0,066), sehingga temuan ini perlu ditafsirkan dengan hati-hati dan diuji ulang dengan sampel yang lebih besar.

Angka di atas hanya contoh. Ganti dengan hasil olahan data Anda sendiri.

Kesalahan yang Sering Terjadi

• Tidak menguji kesamaan kemiringan. Padahal ini asumsi khas ANCOVA yang membedakannya dari ANOVA.
• Memakai kovariat yang dipengaruhi perlakuan, misalnya motivasi yang diukur setelah perlakuan selesai.
• Memakai ANCOVA untuk “menyamakan” kelompok yang sudah berbeda sejak awal.
• Melaporkan rata-rata asli sebagai dasar kesimpulan. Yang diuji ANCOVA adalah rata-rata terkoreksi.
• Menulis “Sig. .000”. Tulis p < 0,001.
• Menambah kovariat sebanyak-banyaknya. Setiap kovariat mengurangi satu derajat bebas. Kovariat yang tidak berhubungan dengan variabel terikat justru membuat uji kurang peka.

Pertanyaan yang Sering Diajukan

Apa beda ANOVA dan ANCOVA?

ANOVA membandingkan rata-rata kelompok apa adanya. ANCOVA membandingkan rata-rata kelompok setelah pengaruh kovariat dikeluarkan, sehingga yang dibandingkan adalah rata-rata terkoreksi.

Apakah nilai pretest boleh dijadikan kovariat?

Boleh, dan ini pemakaian ANCOVA yang paling umum di penelitian pendidikan. Pada desain dengan pembagian kelompok secara acak, ANCOVA dengan pretest sebagai kovariat umumnya lebih peka daripada membandingkan selisih skor. Pilihan lain untuk data pretest-posttest dibahas di artikel uji N-Gain.

Berapa banyak kovariat yang boleh dipakai?

Secukupnya saja. Pilih kovariat yang punya dasar teori, berhubungan dengan variabel terikat, dan tidak saling berkorelasi tinggi satu sama lain (Tabachnick & Fidell, 2019). Pada sampel kecil, satu sampai tiga kovariat biasanya sudah cukup.

Bagaimana jika kemiringan garis tidak sama?

ANCOVA biasa tidak tepat dipakai. Laporkan interaksinya sebagai temuan, lalu analisis dengan regresi yang memuat interaksi kelompok × kovariat untuk melihat pada nilai kovariat berapa perbedaan kelompok muncul.

Butuh Teman Diskusi untuk Analisis ANCOVA?

Ragu memilih kovariat atau membaca rata-rata terkoreksi di output SPSS? Tim IDTesis bisa menemani Anda memeriksa asumsi, menjalankan ANCOVA, dan menuliskan hasilnya di Bab 4. Ceritakan dulu desain penelitian Anda lewat WhatsApp, atau lihat layanan olah data statistik.

Baca juga: ANOVA · Uji Beda T-Test · Uji Normalitas

Referensi

• Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). Sage.
• Huitema, B. E. (2011). The analysis of covariance and alternatives: Statistical methods for experiments, quasi-experiments, and single-case studies (2nd ed.). Wiley.
• Miller, G. A., & Chapman, J. P. (2001). Misunderstanding analysis of covariance. Journal of Abnormal Psychology, 110(1), 40–48.
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.