Tutorial ANOVA Repeated Measures untuk Penelitian Eksperimen Berulang pada SPSS

Ketika melakukan analisis data eksperimen dengan pengukuran berulang, banyak peneliti mendapati output SPSS menunjukkan nilai signifikansi yang membingungkan atau berbeda antara baris analisis. Masalah utama yang paling sering muncul saat menjalankan Tutorial ANOVA Repeated Measures untuk Penelitian Eksperimen Berulang pada SPSS adalah munculnya pelanggaran asumsi sferisitas pada uji Mauchly's Test of Sphericity dengan nilai Sig. kurang dari 0,05. Jika kondisi ini diabaikan dan Anda tetap membaca baris Sphericity Assumed, hasil uji statistik F menjadi tidak valid dan meningkatkan risiko kesalahan Tipe I secara signifikan.

Gejala kendala ini ditandai dengan perubahan tingkat signifikansi perubahan antar waktu yang sangat drastis ketika dibaca menggunakan pendekatan standar. Pada desain within-subjects, data yang diambil dari subjek yang sama pada beberapa titik waktu (misalnya pretest, posttest 1, dan posttest 2) memiliki korelasi internal. Ketika varians dari selisih antarpasangan pengukuran tidak konstan, perhitungan derajat kebebasan (degrees of freedom) pada ANOVA standar menjadi terbias, sehingga menghasilkan kesimpulan penelitian eksperimen yang keliru.

Anova Repeated Measures atau Analisis Varians Pengukuran Berulang merupakan teknik statistik parametrik yang digunakan untuk membandingkan rata-rata lebih dari dua kondisi atau titik waktu pada kelompok subjek yang sama. Desain eksperimen ini amat populer dalam penelitian psikologi, kedokteran, olahraga, dan pendidikan karena efisiensinya dalam mengontrol variabilitas antar subjek (between-subjects variability).

Untuk mempelajari konsep dasar dan landasan matematis dari pengujian varians secara mendalam, Anda dapat mengulas referensi teori utamanya pada pembahasan teori dasar ANOVA repeated measures di Statistikian.com.

Menurut Field (2013), keunggulan utama dari desain repeated measures dibandingkan desain independen biasa adalah peningkatan kekuatan statistik (statistical power). Hal ini terjadi karena varians eror yang berasal dari perbedaan individu dapat diisolasi dan dikeluarkan dari penyebut perhitungan rasio F, sehingga model menjadi lebih sensitif dalam mendeteksi pengaruh perlakuan eksperimen.

Namun, Tabachnick dan Fidell (2019) menegaskan bahwa keuntungan teoritis tersebut menuntut pemenuhan asumsi kriteria yang lebih ketat, yaitu sferisitas (sphericity). Sferisitas mengisyaratkan bahwa varians dari perbedaan antara semua pasangan kondisi eksperimen harus setara. Jika asumsi ini dilanggar, distribusi rasio F bergeser ke kanan, menyebabkan nilai p-value menjadi terlalu kecil dari yang seharusnya.

Berikut adalah panduan teknis operasional untuk melakukan pengujian ANOVA Repeated Measures pada SPSS secara mandiri beserta penanganan ketika asumsi sferisitas tidak terpenuhi:

Langkah 1: Format Struktur Data pada SPSS Viewer
Pastikan data diinput dalam format bentang horizontal (wide format). Buat kolom terpisah untuk setiap titik waktu atau kondisi eksperimen. Sebagai contoh, buat tiga variabel: Pretest, Posttest1, dan Posttest2. Setiap baris mewakili satu subjek eksperimen yang sama.

Langkah 2: Navigasi Menu Utama SPSS
Klik menu Analyze > General Linear Model > Repeated Measures.... Kotak dialog Repeated Measures Define Factor(s) akan muncul pada layar Anda.

Langkah 3: Pendefinisian Faktor Pengukuran Berulang
Ketik nama faktor pada kolom Within-Subject Factor Name (misalnya ketik Waktu). Masukkan jumlah tingkatan pengukuran pada Number of Levels (misalnya ketik 3 karena ada tiga kali pengukuran). Klik tombol Add, lalu klik Define.

Langkah 4: Pemetaan Variabel Penelitian
Pindahkan variabel Pretest, Posttest1, dan Posttest2 dari kotak sebelah kiri ke dalam kotak Within-Subjects Variables (Waktu) sesuai dengan urutan kronologis titik pengukuran eksperimen Anda.

Langkah 5: Pengaturan Estimasi Rata-Rata dan Koreksi Uji Lanjutan
Klik tombol EM Means (atau Options pada versi SPSS terdahulu). Pindahkan faktor Waktu ke kotak Display Means for. Centang opsi Compare main effects dan ubah opsi Confidence interval adjustment menjadi Bonferroni. Penyesuaian ini direkomendasikan oleh Stevens (2009) untuk mengendalikan laju kesalahan gabungan (familywise error rate) saat membandingkan antar waktu secara berpasangan.

Langkah 6: Memilih Statistik Deskriptif dan Ukuran Pengaruh
Masih pada menu opsi, centang Descriptive statistics untuk menampilkan rerata dan standar deviasi, serta centang Estimates of effect size untuk mendapatkan nilai Partial Eta Squared. Klik Continue.

Langkah 7: Eksekusi Analisis
Klik tombol OK pada kotak dialog utama untuk menjalankan perintah sintaks dan menghasilkan output SPSS.

Penerapan prosedur di atas dirancang agar peneliti tidak hanya mendapatkan nilai F kasar, melainkan juga informasi diagnostik yang lengkap untuk mengevaluasi kelayakan model eksperimen berulang (Pituch & Stevens, 2016).

Guna mempermudah alur pengambilan keputusan statistik saat mengevaluasi tabel output SPSS, perhatikan diagram solusi penanganan pelanggaran sferisitas berikut:

Tahap krusial pertama dalam membaca output SPSS adalah memeriksa tabel Mauchly's Test of Sphericity. Pada tabel ini, perhatikan kolom Mauchly's W, nilai Chi-Square, dan nilai signifikansi (Sig.). Uji hipotesis nol pada statistik Mauchly menyatakan bahwa matriks kovarians selisih antarperlakuan bersifat sferis.

Maxwell dan Delaney (2004) menjelaskan alasan ilmiah mengapa asumsi sferisitas sangat rentan dilanggar pada eksperimen berulang. Dalam studi longitudinal atau pengukuran berkala, data yang diambil pada dua waktu yang berdekatan (seperti Posttest 1 dan Posttest 2) umumnya memiliki korelasi yang jauh lebih tinggi dibandingkan data dengan jeda waktu lebih lama (seperti Pretest dan Posttest 2). Ketidakseragaman korelasi ini secara otomatis merusak struktur sferisitas.

Apabila uji Mauchly menghasilkan nilai Sig. kurang dari 0,05, maka hipotesis nol ditolak dan asumsi sferisitas terbukti terlanggar. Dalam kondisi ini, membaca baris Sphericity Assumed pada tabel Tests of Within-Subjects Effects akan menghasilkan simpulan palsu. Peneliti wajib menggunakan angka penyesuaian Epsilon untuk mengoreksi derajat kebebasan.

SPSS menyediakan dua metode koreksi Epsilon utama, yaitu koreksi Greenhouse dan Geisser (1959) serta koreksi Huynh dan Feldt (1976). Kedua metode ini mengalikan derajat kebebasan pembilang dan penyebut dengan nilai Epsilon (yang bernilai antara 0 hingga 1), sehingga menurunkan nilai df dan memperbesar p-value secara proporsional agar tidak terjadi lonjakan bias kesalahan Tipe I.

Panduan ilmiah dalam memilih koreksi Epsilon didasarkan pada besaran nilai estimasi Epsilon Greenhouse-Geisser pada tabel output SPSS (Girden, 1992):

1. Jika nilai Epsilon Greenhouse-Geisser kurang dari 0,75, gunakan baris pembacaan Greenhouse-Geisser karena pelanggaran sferisitas tergolong berat.
2. Jika nilai Epsilon Greenhouse-Geisser lebih dari atau sama dengan 0,75, gunakan baris pembacaan Huynh-Feldt. Koreksi Greenhouse-Geisser cenderung terlalu konservatif pada nilai Epsilon tinggi, sehingga Huynh-Feldt memberikan daya uji statistik yang lebih akurat tanpa meningkatkan kesalahan Tipe I.

Setelah menentukan baris koreksi yang tepat pada tabel Tests of Within-Subjects Effects, evaluasi nilai F hitung, derajat kebebasan terkoreksi, dan nilai Sig.. Jika nilai signifikansi terkoreksi kurang dari 0,05, maka dapat disimpulkan bahwa terdapat perbedaan rerata yang signifikan secara statistik di antara titik-titik waktu pengukuran eksperimen.

Guna mengukur seberapa besar proporsi varians variabel terikat yang dijelaskan oleh faktor waktu perlakuan, periksa kolom Partial Eta Squared. Berdasarkan pedoman kriteria Cohen (1988), nilai eta sebesar 0,01 dikategorikan sebagai efek kecil, 0,06 sebagai efek sedang, dan 0,14 atau lebih besar dikategorikan sebagai efek ukuran besar.

Apabila pengaruh utama waktu terbukti signifikan, langkah terakhir adalah menganalisis tabel Pairwise Comparisons. Tabel ini menyajikan perbedaan rerata antar pasangan waktu spesifik beserta nilai signifikansi yang telah disesuaikan dengan prosedur Bonferroni. Dari tabel ini, peneliti dapat menentukan secara pasti pada titik waktu mana peningkatan atau penurunan rerata yang signifikan mulai terjadi selama periode eksperimen berlangsung.

Kesimpulan

Prosedur ANOVA Repeated Measures merupakan instrumen analisis statistik yang sangat efisien untuk desain eksperimen pengukuran berulang. Validitas kesimpulan eksperimen sangat bergantung pada kecermatan diagnostik terhadap asumsi sferisitas. Ketika uji Mauchly's menunjukkan indikasi pelanggaran (p < 0,05), penerapan koreksi Epsilon Greenhouse-Geisser atau Huynh-Feldt secara tepat merupakan keharusan metodologis untuk menjamin bahwa keputusan statistik yang diambil terbebas dari bias penolakan hipotesis nol yang keliru.

Daftar Pustaka

Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.

Field, A. (2013). Discovering Statistics Using IBM SPSS Statistics (4th ed.). SAGE Publications.

Girden, E. R. (1992). ANOVA: Repeated Measures. SAGE Publications.

Greenhouse, S. W., & Geisser, S. (1959). On methods in the analysis of profile data. Psychometrika, 24(2), 95-112.

Huynh, H., & Feldt, L. S. (1976). Estimation of the Box correction for degrees of freedom from sample data in randomized block and split-plot designs. Journal of Educational Statistics, 1(1), 69-82.

Maxwell, S. E., & Delaney, H. D. (2004). Designing Experiments and Analyzing Data: A Model Comparison Perspective (2nd ed.). Lawrence Erlbaum Associates.

Pituch, K. A., & Stevens, J. P. (2016). Applied Multivariate Statistics for the Social Sciences (6th ed.). Routledge.

Stevens, J. P. (2009). Applied Multivariate Statistics for the Social Sciences (5th ed.). Routledge.

Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.