Anda di halaman 1dari 11

Menguji Keeratan Hubungan Dua

Variabel Berskala Nominal



Pendahuluan
Jika tadi kita contohkan bahwa berdasarkan
analisis Crosstab ditemukan terdapat
hubungan antara dua variabel berskala
nominal, yaitu antara gender dengan
pekerjaan
Sekarang kita akan cari tahu seberapa besar
keeratan hubungan tersebut.

SPSS menyediakan dua cara untuk mengukur hubungan
tersebut, yaitu:

Symetric Measures, yaitu hubungan yang setara dan
berdasarkan perhitungan Chi-square
Directional Measures, yaitu hubungan yang tidak setara
dan berdasarkan pada proportional Reduction In Error
(PRE)

Kedua cara perhitungan di atas dapat digunakan pada
kasus hubungan antara Pekerjaan dengan Gender.


Cases
Valid Missing Total
N Percent N Percent N Percent
gender * Pekerjaan
25 100.0% 0 .0% 25 100.0%
Case Processing Summary


Analisis Output Bagian Pertama
(Case Processing Summary)

Ada 25 data yang semuanya diproses (tidak ada data missing),
sehingga tingkat validitasnya 100%.

kerja
Total 1 2 3
gender 1
8 2 3 13
2
1 5 6 12
Total
9 7 9 25
gender * kerja Crosstabulation
Count

Analisis Output Bagian Kedua
(Crosstab antara Gender dengan Pekerjaan)

Terlihat tabel silang yang memuat hubungan diantara
kedua variabel
Misalnya, pada baris-1 kolom-1, terdapat angka 8. Hal ini
berarti ada 8 orang pria (variabel gender) yang mempunyai
pekerjaan karyawan (varaibel Pekerjaan)
Demikian pula untuk data yang lainnya.
Directional Measures
Value
Asymp. Std.
Error
a
Approx. T
b

Approx.
Sig.
Nominal by Nominal Lambda Symmetric ,393 ,163 2,003 ,045
gender Dependent ,500 ,236 1,572 ,116
pekerjaan
Dependent
,313 ,137 2,041 ,041
Goodman and Kruskal
tau
gender Dependent ,308 ,165 ,025
c

pekerjaan
Dependent
,160 ,095 ,021
c

Uncertainty Coefficient Symmetric ,191 ,114 1,673 ,014
d

gender Dependent ,246 ,147 1,673 ,014
d

pekerjaan
Dependent
,156 ,093 1,673 ,014
d

a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
c. Based on chi-square approximation
d. Likelihood ratio chi-square probability.
Disini juga ada 3 ukuran untuk mengukur hubungan antara kedua variabel
tersebut

Namun di sini ada pembedaan, yaitu satu variabel sebagai dependen sedangkan
yang lainnya sebagai variabel independen.

Symmetric atau kedua variabel setara (bebas), maka besar
korelasinya adalah 0,393 atau cukup lemah (kurang dari 0,50)
Angka signifikansinya adalah 0,045 atau di bawah 0,05 yang
berarti kedua variabel memang berhubungan secara nyata.
Jika ada perkataan Dependent, dipakai pedoman (berlaku untuk
ketiga alat uji) berikut:
Jika angka korelasi 0, maka pengetahuan akan variabel
independen tidak menolong dalam usaha memprediksi
variabel dependen
Jika angka korelasi = 1, maka pengetahuan akan variabel
independen menolong dalam usaha memprediksi variabel
dependen

Contoh analisis pada Lambda
Gender Konsumen Dependen atau Gender sebagai variabel dependen
(tergantung), dimana Pekerjaan adalah variabel independennya. Karena angka
signifikansi 0,116 lebih besar daripada 0,05 (5%), maka variabel
Independen/bebas yaitu Pekerjaan tidak dapat memprediksi variabel
dependen yaitu Gender.
Pekerjaan Konsumen Dependen atau Pekerjaan sebagai variabel dependen
(tergantung), dimana gender adalah variabel independennya. Karena angka
signifikansi 0,041 lebih besar daripada 0,05 (5%), maka variabel
Independen/bebas yaitu Pekerjaan dapat memprediksi variabel dependen
yaitu Gender. Tetapi Angka Korelasi lambdanya 0,313 < 0,50 ini artinya
korelasinya lemah. Bisa dikatakan bahwa pengetahuan akan gender seorang
konsumen tidak begitu menolong dalam mupaya memprediksi pekerjaan
konsumen tersebut. Atau pekerjaan konseumen sebagai karyawan atau petani
atau wiraswasta tidak bisa diperkirakan begitu saja karena ia seoraang pria
atau wanita.


Analisis pada Korelasi Goodman dan Kruskal Tau
Dari angka signifikansi keduanya adalah signifikan (berbeda dengan Lambda),
namun besar korelasinya juga tidak kuat. Atau variabel gender tidak bisa
memprediksi secara kuat variabel Pekerjaan seorang konsumen, demikian pula
sebaliknya.

Analisis pada Korelasi Uncertainty Coefficient
Dari angka signifikansi ketiganya adalah signifikan, namun besar korelasinya
juga tidak kuat. Atau variabel gender tidak bisa memprediksi secara kuat
variabel Pekerjaan seorang konsumen, demikian pula sebaliknya.

Analisis pada Korelasi Asymptotic Standard Error
Di sini syaratnya harus didapatkan korelasi yang signifikan. Sebagai contoh
angka korelasi lambda sebesarr 0,313 yang signifikan, didapat standar error
0,137.
Pada tingkat kepercayaan 95% atau ada dua standar deviasi, maka rentang
korelasi adalah: 0,313 (2 x 0,137) atau antara 0,039 sampai 0,587

Output bagian Ketiga (Symmetric Measures)
Value
Asymp.
Std.
Error(a)
Approx.
T(b)
Approx.
Sig.
Nominal by Nominal Phi .555 .021
Cramer's V .555 .021
Contingency
Coefficient
.485 .021
Interval by Interval Pearson's R .472 .167 2.566 .017(c)
Ordinal by Ordinal Spearman
Correlation
.472 .173 2.566 .017(c)
N of Valid Cases 25
Symmetric Measures
a Not assuming the null hypothesis.
b Using the asymptotic standard error assuming the null hypothesis.
c Based on normal approximation.
Di sini hanya diperhatikan besar korelasi antara Nominal-Nominal
Hal ini karena kedua variabel berskala nominal, karena itu besaran Pearson dan
Spearman tidak relevan untuk dibahas.
Ada 3 besaran untuk menghitung korelasi antara variabel pekerjaan
dengan gender, dan ketiganya mempunyai angka signifikan atau
nilai Probabilitas 0,021
Karena nilai Probabilitas di bawah 5%, maka bisa dikatakan ada
hubungan antara kedua variabel tersebut (seperti telah terbukti
sebelumnya).
Besaran korelasi (Phi dan Cramer) menghasilkan angka sama yaitu
0,555
Sedangkan koefisien kontingensi menghasilkan angka 0,485 (lebih
kecil)
Dari ketiga besaran itu bisa disimpulkan adanya hubungan yang
cukup erat antara (disebut erat jika mendekati angka 1 dan tidak
ada hubungan bila mendekati angka 0) antara variabel pekerjaan
dengan variabel jender.