Anda di halaman 1dari 15

DAFTAR ISI :

ANALISIS BIVARIAT
LATAR BELAKANG DAN PENGERTIAN DARI ANALISIS BIVARIAT
Untuk memulai analisis bivariat, langkah pertama adalah untuk membangun sebuah scattergram
untuk menggambarkan hubungan tersebut. ( Sprinthall 1990,200 )
Setiap titik mewakili nilai pasangan dari sampel, dan scattergram mengungkapkan bentuk oval
khas yang disebut kecenderungan pusat. ( Sprinthall, 1990,200 )
Jelas tampaknya ada hubungan yang cukup kuat dalam sampel antara dua variabel, bahwa itu
adalah linier, dan negativ.
Ada hubungan negatif yang kuat, yang berarti bahwa sebagai presentase total lapangan kerja
meningkat pendapatan, persentase dari pendapat total dari sumber-sumbar pemerintah. Untuk
mengetahui seberapa kuat korerasi sebenarnya memerlukan ukuran statistik. ( Sprinthall, 1990,
196 )
Produk moment koefisien korelasi atau koefisien korelasi person memungkinkan peneliti untuk
menyatakan "hubungan antara dua objek yang berbeda secara kualitatif.....Dalam istilah
kuantitatif ". ( Sprinthall, 1990,196 )
Hasil atau 'r-niali' adalah -0,819 dengan memeriksa itu terhadap nilai kritis, yang kira-kira 0,300
pada tingkat kepercayaan 95%, r pearson lebih besar.
Oleh karena itu, hipotesis nol ditolak, karena tidak cukup bukti untuk mengatakan bahwa kedua
variabel yang terkait, dan karena koefisien sangat kuat, kita dapat menyimpulkan bahwa dalam
populasi terdapat hubungan yang nyata antara mereka.
Salam ilmu-ilmu sosial, alasan dasar untuk melakukan analisis statistik adalah untuk
mengungkap trend, mengungkapkan hubungan, dan membuat prediksi. ( Walsh, 1990,260 )

Analisis Bivariat adalah analisis secara simultan dari dua variabel. Hal ini biasanya
dilakukan untuk melihat apakah satu variabel, seperti jenis kelamin , adalah terkait
dengan variabel lain, mungkin sikap terhadap pria maupun wanita kesetaraan.
Analisis Bivariat yaitu hipotesisi yang diuji biasanya kelompok yang berbeda dalam ciri
khas tertentu dengan koefisien kontigensi yang diberi simbol C.
Analisis bivariat menggunakan tabel silang untuk menyoroti dan menganalisis perbedaan
atau hubungan antara dua variabel. Menguji ada tidaknya perbedaan/hubungan antara
variabel kondisi pemukian, umur, agama, status migrasi, pendidikan, penghasilan, umur
pekkawinan pertama, status kerja dan kematian bayi/balita dengan persepsi nilai anak
digunakan analisis chi square, denagn tingkat kemaknaan a=0,05. Hasil yang diperoleh

pada analisis chi square, dengan menggunakan program SPSS yaitu nilai p, kemudian
dibandingkan dengan a=0,05. Apabila nilai p< dari a=0,05 maka ada hubungan atau
perbedaan antara dua variabel tersebaut. ( Agung, 1993)
Analisis bivariat adalah melakukan analysis statistik untuk mengetahui keterkaitan antara 2
variabel. Analisis bivariat terbagi atas 4 jenis:
1. Antara data Kategorik - Kategorik, dapat diuji dengan Uji Beda Proporsi
2. Antara data Kategorik - Numerik, dapat diuji dengan Uji Beda Rata-Rata
3. Antara data Numerik - Kategorik, dapat diuji dengan Uji Beda Rata-Rata
Uji beda rata - rata ini terbagi atas 2 jenis:
a. Uji beda dua rata- rata. Uji beda dua rata- rata ini juga terbagi atas 2 jenis:
* Uji beda dua rata-rata berpasangan, bisa diuji dengan Paired Sample T-test
* Uji beda dua rata-rata tdk berpasangan, diuji dgn Independent Sample T-test
b. Uji beda lebih dua rata-rata, bisa diuji dengan menggunakan One-Way Anova
4. Antara data Numerik - Numerik, dapat diuji dengan Uji Korelasi
Semua data diatas dapat diuji, dengan syarat semua data harus berdistribusi normal. Untuk
mengetahui data berdistribusi normal atau tidak, kita bisa melakukan Uji Normality, yaitu:
1.

Perbadingan Mean, Median, Modus

2.

Skewness, data normal jika skewness berkisar antara -1,27 s/d 1,27

3.

Histogram,

data dikatakan normal apabila kurva yang terbentuk identik dengan kurva normal yang
mana puncak grafik ditengah dan seimbang kiri dan kanan.
4.

Q-Q Plots, data dikatakan normal apabila berada disekitar garis skhatcer dan

seimbang atas bawah


5.

Uji Kolmogorof, apabila P<0,05 maka data dikatakan tidak normal

6.

Blox plot, data dikatakan normal apabila memenuhi 4 syarat, yaitu:


a. Box tidak tinggi
b. Tangkai pendek dan seimbang atas bawah
c. Median ditengah
d. Tidak ada outliers, kalaupun ada, jumlahnya seimbang atas bawah.

Setelah dilakukan uji normallity dengan salah satu atau lebih dari 6 teknis diatas, kemudian
kesimpulannya data tidak normal, maka dapat dilakukan tindakan berikut:
1.

Menguji langsung dengan non parametrik

2.

Menormalkan data (normalisasi)

Dalam melakukan normalisasi ada 2 cara:


* Memissingkan outliers
* Melog-kan variabel

Apabila data tetap tidak normal, maka dapat diuji dengan Uji Non Parametrik atau
Kategorikan ( acuan patokan/ acuan normatif)

KEGUNAAN DARI ANALISIS BIVARIAT


Untuk mengukur kekuatan hubungan antar dua variabel atau lebih.
Contoh mengukur hubungan antar dua variable
Motivasi kerja dengan produktivitas
Kualitas layanan dengan kepuasan pelanggan

JENIS-JENIS UJI ANALISIS BIVARIAT


Uji korelasi Bivariat ( Product-moment person )
Untuk menentukan korelasi ( kuatnya hubungan ) antara variabel-variabel penelitian
Jika ada hubungan, seberapa kuat hubungan antar variabel tersebut
Dapat digunakan untuk jenis data rasio ( scale ) atau interval

3. Uji chis-quare, dengan tingkat kemaknaan a=0,05. Hasil yang diperoleh pada analisis chis
quare dengan menggunakan program SPSS yaitu nilai p, kemudian dibandingkan dengan
a=0,05 apabila nilai p < dari a=0,05 maka ada hubungan atau pernedaan antara dua

variabel tersebut ( Agung 1993 )

KESIMPULAN DARI ANALISIS BIVARIAT


Analisis Bivariat adalah analisis secara simultan dari dua variabel.
Hal ini biasanya dilakukan untuk melihat apakah satu variabel, seperti jenis kelamin, adalah
terkait dengan variabel lain, mungkin sikap terhadap pria maupun wanita kesetaraan.
Untuk mengukur kekuatan hubungan antar dua variabel atau lebih. Contohnya mengukur
hubungan antar variabel :
Motivasi kerja dengan produktivitas dan kualitas layanan dengan kepuasan pelangan.

TABULASI SILANG
Sebuah teknik statistik yang menjelaskan dua atau lebih variabel secara bersamaan dan
hasil dalam tabel mencerminkan distribusi gabungan dua atau lebih variabel yang mempunyai
kategori terbatas atau nilai yang berbeda .
Tabulasi silang digunakan secara luas dalam riset pemasaran komersial , karena :
1.

Analisis dan hasil dari tabulasi silang mudah di interpretasikan dan mudah dipahami

oleh para manajer yang tidak mempunyai orientasi statistik .


2.

Penafsiran yang jelas memberikan kaitan yang lebih erat antara hasil riset dengan

tindakan manajerial .
3.

Suatu seri tabulasi silang bisa memberikan gambaran lebih besar mengenai sebuah

fenomena rumit dibandingkan dengan suatu analisis mutivariate tunggal .


4.

Tabulasi silang dapat mengurangi masalah yang ditimbulkan oleh angka yang

jarang dalam setiap sel ( sparse cell ) , yang dapat menjadi masalah serius dalam analisis
multivariat untuk variabel diskrit
5.

Analisis tabulasi silang mudah untuk dilakukan dan menarik bagi para peneliti tidak

terlalu yang canggih .

STATISTIK YANG DIASOSIASIKAN DENGAN TABULASI SILANG


Signifikanstatistik dari asosiasi yang diamati umumnya diukur dengan statistik chi-square
Kekuatan asosiasi , atau derajat asosiasi , merupakan hal yang penting dari sudut pandang praktis
atau substantif . Secara umum , kekuatan asosiasi menjadi pembahasan hanya apabila signifikan
secara statistik . Kekuatan asosiasi dapat diukur dengan koefisien korelasi phi , koefisien
kotigensi , Cramers V , koefisien lambda .
Statistik Chi-Square ( C2 ) digunakan untuk menguji signifikan asosiasi pengamatan
dalam sebuah tabulasi silang . Statistik ini membantu kita menentukan apakah terdapat asosiasi
simetris antara dua variabel . Hipotesis nol , Ho bahwa tidak ada asosiasi antara variabel .
Pengujian dilakukan dengan menghitung frekuensi sel yang akan diharapkan jika ada asosiasi
antar variabel , dengan mempertimbangkan total baris dan kolom . Frekuensi sel yang diinginkan
ini , disimbolkan fe , kemudian dibandingkan dengan frekuensi pengamatan aktual , fo , yang
ditemukan dalam tabulasi silang untuk memperhitungkan statistik chi-square . Semakin besar
perbedaan antara frekuensi yang diharapkan dengan frekuensi aktual , semakin besar nilai chisquare . asumsikan bahwa sebuah tabulasi silang mempunyai r baris dan c kolom dan sebuah
sampel acak dengan n pengamatan . Maka frekuensi yang diharapkan untuk setiap sel dapat
dihitung dengan menggunakan rumus :

Fe
Dimana :
n r = jumlah total baris
n c = jumlah total kolom
n = jumlah ukuran sampel

Koefisien Phi () digunakan sebagai sebuah pengukur kekuatan asosiasi dalam kasus khusus
tabel dengan dua kolom dan dua baris ( tabel 2 x 2 ) . Koefisien phi proporsional terhadap akar
dua statistik chi-square . Untuk sebuah sampel dengan ukuran n , statistik ini dihitung
sebagai:

Koefisien Kontigensi Sementara koefisien phi khusus digunakan untuk tabel 2 x 2 , koefisien
kontigensi C digunakan untuk mengkaji kekuatan asosiasi dalam tabel dengan ukuran apapun .
Indeks ini juga terkait dengan chi-square sebagai berikut :
C=
Cramers V Ukuran kekuatan hubungan yang digunakan dalam sebuah tabel yang
berukuran lebih besar dari 2 x 2 . Ketika menghitung phi untuk sebuah tabel yang lebih besar
dari 2 x 2 , koefisien ini tidak mempunyai batas atas . Cramers V diperoleh dengan
menyesuaikan phi untuk jumlah baris atau jumlah kolom dalam tabel , berdasarkan mana dari
keduanya yang lebih kecil . Untuk tabel dengan r baris dan c kolom , hubungan antara Cramers
V dengan koefisien korelasi phi adalah :

Koefisien Lambda sebuah ukuran persentase perbaikan dalam memperkirakan nilai


variabel dependen , dengan nilai tertentu dari variabel independen dalam analisis tabel kontigensi
. Lambda juga beragam antara 0 sampai dengan 1 .

UJI HIPOTESIS YANG BERHUBUNGAN DENGAN PERBEDAAN


Prosedur uji hipotesis dapat diklasifikasikan secara luas menjadi parametrik dan
nonparametrik berdasarkan skala pengukuran variabel yang terlibat .
Uji Parametrik mengasumsikan bahwa variabel yang diteliti paling tidak diukur sebagai skala
interval .
Uji NonParametrik mengasumsikan bahwa variabel-variabel yang diteliti diukur pada skala
nominal atau ordinal . Uji-uji ini dapat diklasifikasikan lebih lanjut berdasarkan apakah terdapat
satu , dua atau lebih sampel yang terlibat .

UJI PARAMETRIK
Uji Parametrik memberikan inferensi untuk membuat pernyataan-pernyataan mengenai rata-rata
populasi induk . Suatu uji t biasa digunakan untuk maksud ini . Uji ini didasarkan pada statistik
t Student .
Statistik t mengasumsikan bahwa variabel terdistribusi secara normal dan rata-rata diketahui (
atau diasumsikan diketahui ) dan varians populasi diduga dari rata-rata sampel .
Satu Sampel dalam riset pemasaran , peneliti sering kali tertarik untuk membuat
pernyataan mengenai sebuah variabel tunggal dibandingkan dengan sebuah standar yang
diketahui atau standar tertentu . Contoh dari pernyataan ini adalah : pangsa pasar untuk sebuah
produk baru akan melebihi 15 persen , paling tidak 65 persen pelanggan akan menyukai sebuah
rancangan paket baru , dan 80 persen penyalur akan lebih memilih kebijakan penetapan harga
yang baru . Pernyataan-pernyataan ini dapat diterjemahkan menjadi hipotesis nol yang dapat
diuji dengan menggunakan uji satu sampel , seperti uji t atau uji z . Dalam hal uji t untuk sebuah
rata-rata tunggal , peneliti tertarik untuk menguji apakah rata-rata populasi sesuai dengan
hipotesis yang ditetapkan (Ho) . Misalkan kita ingin menguji hipotesis bahwa rata-rata peringkat
familiaritas melebihi 4,0 , yaitu nilai netral pada sebuah skala tujuh poin . Tingkat
signifikansi = 0,05 dipilih . Hipotesis dapat diformulasikan sebagai berikut :
H

: 1 4,0
H1 : 1 > 4,0
t=
S

Sx = 1,579 /

= 1,579 / 5,385 = 0, 293

t = ( 4,724-4,0 ) / 0,279 = 0,724 / 0,279 = 2, 595

Dua Sampel Independen beberapa hipotesis dalam pemasaran menghubungkan parameterparameter dari dua populasi yang berbeda : misalnya , pengguna dan bukan pengguna sebuah
merek dalam hal persepsi mereka terhadap merek tersebut, konsumen yang berpenghasilan tinggi
yang menghabiskan lebih banyak untuk hiburan daripada konsumen dengan penghasilan rendah ,
atau proporsi pengguna setia merek dalam segmen I melebihi proporsi dari segmen II .
Sampel-sampel yang diambil secara acak dari populasi yang berbeda disebut Sampel-sampel
independen.
Seperti halnya dalam sampel tunggal , hipotesis dapat menghubungkan rata-rata dengan proporsi.
Dalam kasus Rata-rata untuk dua sampel yang independen , hipotesis mempunyai bentuk sebagai
berikut :
H 0 : 1 = 2
H 0 : 1 2

Sampel Berpasangan dalam uji hipotesis , pengamatan dipasangkan sehingga kedua


himpunan pengamatan terhubung dengan responden yang sama .
Untuk menghitung t bagi sampel berpasangan , variabel perbedaan berpasangan ,
dinyatakan dengan D , diciptakan dan rata-rata serta variansnya diperhitungkan .
Derajat kebebasan adalah n -1 , dimana n adalah jumlah pasangan .
UJI NONPARAMETRIK
Dalam uji nonparametrik , uji satu sampel yang populer termasuk uji kolmogorovSmirnov , Chi-Square , dan uji binominal . Untuk dua sampel independen nonparametrik uji-uji
U Mann-Whitney , uji median , dan uji kolmogorov Smirnov dapat digunakan . Untuk sampelsampel berpasangan . Uji Wilcoxon matched-pairs signedranks dan uji tanda berguna untuk
menguji hipotesis yang terkait untuk mengukur lokasi .

UKURAN KOLERASI DAN ASOSIASI


Korelasi adalah ukuran hubungan (relationship) antara dua variabel, terutama untuk variabel
kuantitatif.
Ukuran hubungan antara duavariabel kualitatif biasa disebut asosiasi.
Untuk skala interval dan skala ratio dapat digunakan koefisien korelasi Pearson Product
Moment.
Untuk skala ordinal tersedia korelasi peringkat Spearman(Spearmans rank
correlation), Goodman-Kruskals Gamma,Kendalls tau-b & Kendalls tau-c dan Somersd.
Untuk skala nominal tersedia koefisien Phi, Cramers V,Contingency coefficient, dan Lambda.
Untuk skala nominal dan interval tersedia koefisien Eta yang mengukur hubungan variabel
berskala nominal dan variabel berskala interval.

Menghitung Korelasi Pearson Product Moment


Digunakan untuk mengukur kekuatan hubungan linier antara dua variabel kontinu (mempunyai
skala interval atau ratio).
Contoh: Suatu komisi pengadaan textbook suatu perguruan tinggi mengamati hubungan antara
jumlah halaman textbook dan hargatextbook tersebut. Dari sampel acak 8 textbook yang berbeda
didapat sebagai berikut:

Textbook A
Jumlah

400 600 500 600 400 300 200 550

halaman
Harga

40

65

60

78

55

45

25

70

(US$)

Hitung korelasi Pearson Product Moment antara Jumlah Halaman Textbook dan Harga
Textbook dan tentukan apakah korelasi tersebut signifikan. Gunakan = 0,01.

Solusi:
Hipotesis statistik:
Ho : r = 0
Ha : r 0
Hipotesis bentuk kalimat:
Ho : Tidak ada hubungan yang signifikan antara jumlah halaman dengan harga textbook.
Ha : Ada hubungan yang signifikan antara jumlah halaman dengan harga textbook.
Kaidah keputusan:
0,01 < Sig, maka Ho diterima
0,01 > Sig, maka Ho ditolak

Prosedur SPSS:
Pada lembar variabel view ketikan variabel Jumlah Halaman dan variabel Harga.

Pada data view masukkan data Jumlah Halaman dan Harga.


Klik Analyze Correlate Bivariate.
Pindahkan variabel Jumlah Halaman dan variabel Harga Textbook ke dalam kotak Variables.
Interpretasi Hasil:
Correlations
Jumlah

Harga

Halaman

Textbook

Jumlah Halaman Pearson Correlation 1


Sig. (2-tailed)
N

.934**
.001

Harga Textbook Pearson Correlation .934**


Sig. (2-tailed)

.001

8
1

**. Correlation is significant at the 0.01 level (2-tailed).

Dari tabel Correlation terlihat bahwa r = 0,934 dan Sig = 0,001. Karena 0,01 > Sig(0,001), maka
Ho yang menyatakan r = 0 ditolak. Kesimpulan: Ada hubungan yang signifikan antara jumlah
halaman dengan harga textbook.

Menghitung Korelasi Peringkat Spearman


Digunakan untuk mengukur hubungan antara dua variabel di mana kedua variabel berbentuk
peringkat (rank) atau kedua variabel berskala ordinal.
Contoh: Dua panel, yang satu seluruhnya terdiri dari pria dan yang satu lagi seluruhnya terdiri
dari perempuan diminta oleh consumer-testing agency untuk menentukan peringkat (rank)
delapan macam minuman cola berdasarkan rasanya. Peringkat 1 diberikan pada minuman cola
paling enak dan peringkat 8 diberikan pada minuman cola paling tidak enak.

Merek Minuman Cola

Panel Pria

Panel Perempuan

Glatz Cola

Bluebell Cola

Sentul Cola

Coca Cola

Pearl Cola

Red Cola

Boca Cola

Krolla Cola

Apakah ada hubungan antara peringkat rasa minuman cola dari panel pria dan peringkat rasa
minuman cola dari panel perempuan? Apakah hubungan tersebut signifikan? Gunakan = 0,05.
Solusi:
Hipotesis statistik:
Ho : r = 0
Ha : r 0
Hipotesis bentuk kalimat:
Ho : Tidak ada hubungan yang signifikan antara peringkat rasa minuman cola pria dengan
wanita.
Ha : Ada hubungan yang signifikan antara peringkat rasa minuman cola pria dengan wanita.
Kaidah keputusan:
0,01 < Sig, maka Ho diterima
0,01 > Sig, maka Ho ditolak

Interpretasi Hasil:
Correlations
Panel

Panel

Pria

Perempuan

1.000

.833*

Sig. (2-tailed)

.010

.833*

1.000

Sig. (2-tailed)

.010

Spearmans Panel Pria

Correlation

rho

Coefficient

Panel Perempuan Correlation


Coefficient

*. Correlation is significant at the 0.05 level (2tailed).

Dari tabel Correlation terlihat bahwa r = 0,833 dan Sig = 0,010. Karena 0,05 > Sig(0,010), maka
Ho yang menyatakan r = 0 ditolak. Kesimpulan: Ada hubungan yang signifikan antara peringkat
rasa minuman cola pria dengan wanita.

REFRENSI :

http://meinilafitri.blogspot.com/2010/08/analisis-bivariat.html
http://imammkurnia.blogspot.com/2014/04/distribusi-frekuensitabulasi-silang.html
http://isepmalik.wordpress.com/2012/07/29/ukuran-korelasi-danasosiasi/

God Bless You