Anda di halaman 1dari 8

METODE PENELITIAN AKUNTANSI

UKURAN ASOSIASI DAN ANALISIS MULTI VARIABEL

OLEH:
Ni Luh Nyoman Sherina Devi

(1391662026)

PROGRAM MAGISTER AKUNTANSI


PROGRAM PASCASARJANA
UNIVERSITAS UDAYANA
DENPASAR
2014
UKURAN ASOSIASI DAN ANALISIS MULTI VARIABEL

I.

UKURAN-UKURAN ASOSIASI
I.1. Analisis Korelasi Dua Variabel
Analisis korelasi dua variabel berbeda dengan ukuran asosiasi nonparametrik dan analisis
regresi dalam dua hal penting. Pertama, korelasi nonparametrik memerlukan dua variabel
kontinyu yang diukur dalam skala interval atau rasio. Kedua, koefisien tidak
membedakan antara variabel bebas dan terikat, namun memperlakukan variabel secara
simetris karena koefisien rxy memiliki interpretasi yang sama dengan ryx.
Koefisien Momen Produk Pearson r
Koefisien korelasi (momen produk) Pearson memiliki nilai yang bervariasi dari +1
hingga 0 sampai -1. Tanda r melambangkan estimasi koefisien dari asosiasi linear
berdasarkan data pengambilan sampel. Koefisien mewakili korelasi populasi. Koefisien
korelasi menunjukkan besar dan arah dari hubungan. Besarnya hubungan (magnitude)
adalah derajat di mana variabel-variabel bergerak serentak atau berlawanan. Tanda tidak
berpengaruh terhadap ukuran. Derajat dari korelasi adalah sedang. Tanda koefisien
menunjukkan arah hubungan. Arah menunjukkan apakah nilai besar suatu variabel
berasosiasi dengan nilai besar pada variabel (dan nilai kecil dengan nilai yang kecil).
Apabila nilai-nilai berkorespondensi dengan cara demikian, maka kedua variabek
memiliki hubungan positif.
Plot Sebaran untuk Mengeksplorasi Hubungan
Plot sebaran (scatterplots) penting untuk memahami hubungan di antara variabelvariabel. Plot sebaran memungkinkan dilakukannya inspeksi secara visual atas data, yang
tidak disediakan oleh sebuah daftar nilai dari dua variabel. Arah ataupun bentuk dari
sebuah variabel dapat ditunjukkan dalam sebuah plot.
Asumsi dari r
Seperti teknik parametrik lainnya, terdapat asumsi tertentu atas data dalam analisis
korelasi untuk menguji hipotesis tentang koefisien. Persyaratan pertama adalah linearitas,
lalu asumsi kedua adalah distribusi normal dua variabel, yakni data berasal dari sampel
random sebuah populasi dengan dua variabel yang berdistribusi secara normal bersamasama.

Interpretasi Korelasi

Koefisien korelasi untuk sembarang besar atau tanda, apapun signifikansinya, tidak
memengaruhi penyebab. Beberapa penjelasan yang mungkin disediakan dari hasil
korelasi:
-

X menyebabkan Y.
Y menyebabkan X.
X dan Y diaktifkan oleh satu variabel lain atau lebih.
X dan Y saling memengaruhi secara timbal balik.

Peneliti patut berhati-hati untuk menghindari korelasi artefak (artifact correlations), di


mana kelompok-kelompok yang berbeda bergabung untuk memberikan kesan sebagai
satu kesatuan. Masalah lain yang memengaruhi interpretasi koefisien menyangkut
signifikansi praktis. Meski sebuah koefisien signifikan secara statistik, hal itu haru
memiliki makna secara praktis pula.
I.2. Regresi Linear Sederhana
Apabila kita mengambil nilai-nilai X yang diamati untuk melakukan estimasi atau
memrediksi nilai Y, proses itu disebut prediksi ssederhana. Apabila lebih dari satu
variabel X yang digunakan, hasilnya adalah sebuah fungsi prediktor ganda. Prediksi
sederhana dan ganda dibuat dengan teknik yang disebut analisis regresi.
Model Dasar
Regresi linear dua variabel bisa dinyatakan sebagai : Y = 0 + 1Xi
Di mana nilai variabel tergantung Y merupakan fungsi linear dari nilai variabel bebas X i,
dalam observasi ke-i. Lereng dan intersepsi Y dikenal sebagai koefisien regresi. Lereng,
1, merupakan perubahan Y untuk 1 unit perubahan dalam X. Lereng didefinisikan
dengan rumus: 1 = Y/X.
Intersepsi, 0, adalah nilai untuk fungsi linear apabila ia memotong sumbu Y; intersepsi
ini merupakan estimasi Y jika X = 0.
Metode Kuadrat Terkecil (Method of Least Square)
Metode kuadrat terkecil memungkinkan kita untuk menemukan sebuah garis regresi, atau
garis yang paling sesuai, yang menjaga agar eror tetap minimum. Metode ini
menggunakan kriteria meminimumkan total eror kuadrat estimasi.
Uji Goodness of Fit
Dengan garis regresi yang diplot dan beberapa prediksi ilustratif, selanjutnya
dikumpulkan bukti goodness of fit, yaitu seberapa baik model mencerminkan data. Uji
yang paling penting dalam regresi linear dua variabel adalah apakah lereng 1, sama
dengan nol. Lereng nol dihasilkan oleh beberapa keadaan:
- Y sama sekali tak terkait dengan X, dan terbukti tidak mempunyai pola yang
-

sistematis.
Terdapat nilai konstan dari Y untuk setiap nilai X.
2

- Data terkait tetapi tidak ditampilkan dengan sebuah fungsi nonlinear.


I.3. Ukuran Nonparametrik Asosiasi
Ukuran untuk Data Nominal
Ukuran nominal digunakan untuk menilai kekuatan hubungan dakam tabel klasifikasisilang. Ukuran ini seringkali digunakan dengan chi-square atau digunakan secara
terpisah. Secara teknis, kita ingin menemukan dua karakteristik dengan ukuran nominal:
-

Apabila tidak terdapat hubungan sama sekali, koefisiennya adalah 0.


Apabila terdapat ketergantungan yang sempurna, koefisien akan menunjukkan
kesatuan, atau 1.

Ukuran-ukuran untuk Data Ordinal


Apabila data merupakan ukuran ordinal, terdapat banyak alternatif statistik. Dalam bagian
ini kita akan mengilustrasikan Gamma, Kendalls tau b dan tau c, Somers d, serta
Spearmans rho. Seluruh pengukuran ini, kecuali korelasi urutan-peringkat Spearman
didasarkan pada konsep pasangan konkordansi dan diskordansi. Tidak satupun dari
statistik ini memerlukan asumsi distribusi normal dua variabel, meskipun dengan
penggabungan urutan, sebagian besar akan menghasilkan rentang dari 1,0 (hubungan
negatif sempurna) hinga + 1,0 (hubungan positif sempurna). Dalam rentang ini, sebuah
koefisien dengan nilai yang lebih besar (nilai mutlak dari ukuran) diinterpretasikan
memiliki hubungan yang lebih kuat. Karakteristik ini memungkinkan analis
menginterpretasikan arah dan kekuatan hubungan.
II.

ANALISIS MULTI VARIABEL


Analisis multi variabel didefinisikan sebagai teknik statistik yang berfokus pada, dan
menghasilkan bantuan yang jelas, atas struktur hubungan simultan antara tiga fenomena
atau lebih.
II.1. Memilih Teknik Multi Variabel
Teknik-teknik multi variabel dapat diklasifikasikan menjadi (1) teknik bergantung dan (2)

teknik antarketergantungan (interdependency). Jika terdapat variabel kriteria dan pemrediksi


dalam pertanyaan riset, maka kita akan mempunyai sebuah asumsi atas ketergantungan. Jika
variabel kriteria dan pemrediksi terkait tanpa ada penetapan sebagai variabel bebas dan variabel
bergantung, maka diasumsikan bahwa terdapat antarketergantungan dari variabel-variabel.
Dalam pemilihan teknik, peneliti memeriksa himpunan variabel untuk melihat apakah variabelvariabel tersebut adalah ukuran metrik atau nonmetrik.
II.2. Teknik Bergantung
1) Regresi Berganda
Regresi berganda digunakan sebagai alat deskriptif dalam tiga situasi. Pertama, untuk
mengembangkan sebuah persamaan estimasi pembobot sendiri (self-weighing estimating
3

equation) yang memrediksi nilai-nilai sebuah variabel kriteria (dependent variable) dari nilainilai beberapa variabel pemrediksi (independent variables). Kedua, pada pengendalian
variabel-variabel pembaur agar dapat dilakukan evaluasi yang lebih baik pada variabel-variabel
lain. Ketiga, untuk menguji dan menjelaskan teori sebab-akibat. Sebagai alat deskriptif, regresi
berganda juga digunakan sebagai alat untuk menarik kesimpulan untuk menguji hipotesis dan
untuk mengestimasi nilai-nilai populasi.
Metode
Persamaan umum dalam teknik regresi berganda adalah:
Y = 0 + 1X1 + 2X2 + + nXn +
di mana:
0 = konstanta, nilai Y jika semua nilai X adalah nol.
1 = lereng dari regresi ( mewakili koefisien regresi yang terkait dengan setiap Xi)
= eror, biasanya terdistribusi di sekitar 0 (untuk tujuan perhitungan, diasumsikan 0).
Dalam tiap kasus, nilai koefisien regresi menyatakan bahwa jumlah Y bervariasi untuk
setiap perubahan unit dari variabel X yang terkait ketika semua variabel X lainnya konstan.
2) Analisis Diskriminan
Periset sering berharap dapat mengklasifikasikan orang atau obyek menjadi dua
kelompok atau lebh. Tujuannya adalah untuk menetapkan sebuah prosedur untuk
menemukan pemrediksi yang dapat mengklasifikasikan subyek paling baik.
Metode
Analisis diskriminan menggabungkan kriteria berskala nominal atau variabel bergantung
dengan satu variabel bebas atau lebih yang berskala interval atau rasio. Begitu persamaan
diskriminan ditemukan, maka persamaan tersebut digunakan untuk memrediksi
klasifikasi sebuah observasi baru.

3) MANOVA
Analisis varians multi variabel atau MANOVA adalah teknik multi variabel yang sering
digunakan. MANOVA menilai hubunga antara dua atau lebih variabel bergantung dan
variabel-variabel klasifikasi atau faktor.
Metode
MANOVA menggunakan matriks khusus [matriks jumlah kuadrat dan produk silang
(sums-of-squares and cross-products/SSCP)] untuk menguji perbedaan di antara
kelompok-kelompok. Varians ditentukan oleh pemilahan matriks SSCP total dan
pengujian signifikansi.
4) Pemodelan Persamaan Struktural

Pemodelan persamaan struktural (structural equation modeling/SEM) menyatakan sebuah


struktur kovarians di antara variabel-variabel yang diobservasi, dan oleh karena itu
terkadang disebut pemodelan struktur kovarians. Manfaat utam SEM adalah (1)
hubungan ganda dan saling bergantung dapat diestimasi secara simultan, dan (2) dapat
menggambarkan konsep-konsep yang tak teramati, atau variabel-variabel laten, dalam
hubungan ini dan menghitung eror pengukuran dalam proses estimasi.
Metode
Periset yang menggunakan SEM harus mengikuti lima langkah berikut:
a. Spesifikasi model, atau pernyataan formal dari parameter-parameter model. Parameter
yaitu konstanta yang menggambarkan hubungan antara variabel (tetap atau bebas).
b. Estimasi, yaitu memperoleh estimasi parameter bebas dari data yang diamati.
c. Evaluasi ketepatan, periset harus mengevaluasi kriteria uji goodness-of-fit.
d. Spesifikasi ulang model, biasanya karena adanya indikasi ketepatan yang buruk.
e. Interpretasi dan komunikasi. Hasil SEM biasanya tampil dalam bentuk diagram jalur.
5) Analisis Gabungan
Analisis gabungan biasanya menggunakan input dari variabel-variabel bebas nonmetrik.
Tujuan analisis gabungan adalah menjamin skor kegunaan (kadang disebut partworths)
yang mewakili pentingnya masing-masing aspek sebuah produk atau jasa dalam rating
preferensi keseluruhan dari subyek. Langkah pertama dalam kajian gabungan adalah
memilih atribut-atribut yang paling berkaitan dengan subyek. Setelah memilih faktorfaktor dan tingkatannya, sebuah program komputer menentukan jumlah deskripsi produk
yang perlu untuk estimasi kegunaan.
II.3. Teknik Antarketergantungan
1) Analisis Faktor
Analisis faktor bertujuan menurunkan jumlah variabel sampai pada jumlah yang dapat
dikelola yang dimiliki bersama dan mempunyai karakteristik pengukuran yang tumpang
tindih.
Metode
Analisis faktor berawal dengan membangun sebuah himpunan variabel baru berdasarkan
hubungan dalam matriks korelasi. Pendekatan yang paling sering digunakan adalah
analisis komponen utama (principal components analysis). Kombinasi variabel linear
disebut faktor, yaitu varians data secara keseluruhan. Koefisien korelasi di antara faktor
dan variabel disebut pemuatan (loadings). Nilai-nilai eigen (eigenvalues) adalah jumlah
varians dari nilai-nilai faktor. Jika dibagi dengan banyaknya variabel, nilai eigen
menghasilkan estimasi jumlah total varians yang dijelaskan oleh faktor. Kondisi yang
agak ambigu antara fakto dan variabel berusaha diamankan peneliti dengan rotasi.
2) Analisis Gugus

Analisis gugus menawarkan alat untuk riset segmentasi dan masalah-masalah bisnis lain
yang bertujuan untuk mengklasifikasikan kelompok-kelompok yang sama. Analisis gugus
diawali dengan sebuah kelompok manusia, kejadian, atau obyek yang belum terpilahpilah dan berupaya mengaturnya kembali menjadi himpunan-himpunan bagian yang
homogen.
Metode
Ada lima langkah dasar untuk menerapkan sebagian besar kajian gugus:
a. Memilih sampel yang akan diguguskan.
b. Mendefinisikan variabel-variabel untuk mengukur obyek, kejadian, atau orang-orang.
c. Menghitung kesamaan di antara entitas melalui korelasi, jarak Euclidean.
d. Memilih gugus yang saling eksklusif atau yang teratur secara hirarki.
e. Perbandingan dan validasi gugus.
3) Skala Multidimensi
Pembuatan skala multidimensi menciptakan deskripsi khusus persepsi responden tentang
suatu obyek pengamatan pada peta persepsi (perceptual map).
Metode
Terdapat tiga jenis ruang atribut yang mewakili sebuah peta multi dimensi. Pertama,
ruang obyektif, di mana sebuah obyek dapat diposisikan terkait dengan atribut yang dapat
diukur. Kedua, ruang subyektif, di mana persepsi bisa diposisikan. Ketiga, gambaran
preferensi responden menggunakan atribut-atribut obyek.

DAFTAR PUSTAKA
Cooper, Donald R. dan Pamela S. Schindler. 2006. Metode Riset Bisnis, Volume 2, Edisi 9.
Jakarta: PT. Media Global Edukasi.