Anda di halaman 1dari 7

ANALISIS BIVARIATE

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 bivariate terdiri atas metode-metode statistik inferensial
yangdigunakan untuk menganalisis data dua variabel penelitian. Penelitian
terhadap dua variabel biasanya mempunyai tujuan untuk mendiskripsikan distribusi
data, meguji perbedaan dan mengukur hubungan antara dua variabel yang diteliti.
Analisis Bivariat yaitu hipotesis 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 tersebut. (Agung, 1993)

Kegunaan Dari Analisis Bivariat
Untuk mengukur kekuatan hubungan antar dua variabel atau lebih.
Contoh mengukur hubungan antar dua variabel :
1. Motivasi kerja dengan produktivitas
2. Kualitas layanan dengan kepuasan pelanggan


Langkah-Langkah Melaksanakan Analisis Bivariat
1. Masukkan data diatas kedalam program SPSS dengan nama variabel
bulan, b_selling, b_promo, b_iklan, dan unitpjl.
2. Klik menu utama analize , correlate, bivariate, tampak dilayar
3. Kemudian klik semua variabel yang akan dikorelasikan dan masukkan
kekolom variables dengan mengklik tanda panah
4. Untuk kolom corelatiaon koeffisients, pilihlah pearson karena anda ingin
melakukan uji atas data rasio
5. Untuk kolom test of significance, pilih option two-tailed untuk uji dua arah
atau dua sisi
6. Untuk pilihan flag signifikant korelations boleh dicentang (dipilih) hingga
pada output akan muncul tanda * untuk signifikansi 5% dan tanda **
untuk signifikansi 1%
7. Kemudian klik tombol option hingga dilayar tampil :
Pengisian :
- Anda dapat memunculkan output nilai means and standard deviations
dengan mengklik pilihan yang sesuai pada kolom dtatistik
- Pada pilihan missing values pada dua pilihan :
1. Exclude cases pairwise : Pasangan yang salah satu tidak ada datanya
tidak dimasukkan dalam perhitungan. Akibatnya, jumlah data tiap
pasangan korelasi akan bervariasi.
2. Exclude cases listwise : Yang dibuang adalah kasus yang salah satu
variabelnya memiliki mising data. Jumlah untuk semua variabel
korelasi adalah sama.
- Untuk keseragaman pilih exclude cases pairwise
- Tekan qontinyue jika sudah selesai
- Kemudian tekan ok dan akan muncul output

Jenis-Jenis Uji Analisis Bivariat
1. 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
2. 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).

Dalam analisis bivariate secara umum terdiri dari analisa korelasi dan analisa
regresi.
Teknik analisis statistik yang dibahas dalam bab ini bersumber pada SPSS
yang difokuskan hanya pada teknik yang dapat menjelaskan hubungan atau kaitan
antara beberapa variabel, baik hubungan antara dua variabel (bivariate) maupun
banyak variabel (multivariate). Pembahasan diutamakan pada cara membaca dan
menafsirkan arti dari parameter yang diperoleh dari hasil pengolahan data yang
terdapat pada output SPSS. Teknik analisis statistik yang dibahas meliputi
Analisis Regresi, Analisis Path, Multiple Classification Analysis (MCA), Tabel
Kontingensi, Model Logit, Model Log-Linear, Analisis Diskriminan, dan Analisis
Faktor.

A. Analisis Regresi Linier
Analisis regresi merupakan alat yang dapat memberikan penjelasan
hubungan antara dua jenis variabel yaitu hubungan antara variabel dependen atau
variabel kriteria dengan variabel independen atau variabel prediktor. Analisis
hubungan antara dua variabel disebut sebagai analisis regresi sederhana jika hanya
melibatkan satu variabel independen. Analisis disebut sebagai analisis regresi
berganda jika melibatkan lebih dari satu variabel independen.
Hubungan antara variabel dependen (Y) dengan variabel independen (X)
dituliskan dalam model linier umum

di mana
|

i
, i = 1,2,........p adalah koefisien regresi yang berarti besarnya
perubahan pada Y

, jika X
i
bertambah satu satuan dan variabel yang lain konstan,
|

0
adalah intercept. Residual e mengikuti distribusi normal dengan rata-rata 0 dan
varians konstan sebesar o
2
.
Asumsi dasar dalam analisis regresi adalah (i) setiap Y yang merupakan
kombinasi linier atas X dan mengikuti distribusi normal, (ii) e tersebar secara acak
dan tidak berpola mengikuti besarnya nilai X, (iii) tidak terdapat hubungan
(korelasi) yang tinggi antar variabel X.

Analisis Regresi Sederhana
Analisis regresi sederhana hanya melibatkan satu variabel independen X,
sehingga dalam persamaan (3.1) p=1, sehingga model liniernya adalah

Dengan model seperti pada persamaan (3.2) maka hipotesis yang diajukan untuk
diuji adalah H
0
: |
1
= 0 terhadap H
1
: |
1
= 0. Untuk menolak H
0
harus dapat
dibuktikan secara empirik bahwa|
1
= 0 atau |
1
bermakna (significant) atau
dengan kata lain ada hubungan linier regresi antara Y dan X seperti pada
persamaan (3.2).
Dalam output SPSS 9.0 for Windows untuk subprogram REGRESION,
yang pertama perlu diketahui adalah apakah regresi Y pada X bermakna. Hal ini
dapat dilihat pada output ANOVA sebagai berikut:

Y - Y = e Residual ), N(0, e e, +
X
+ ........ +
X
+ = Y ......... (3.1)
2
p
p
1
1 0

o | | |
~

Y - Y = e Residual ), N(0, e e, + X + = Y ......... (3.2)
2
1 0

o | |
~
ANOVA



Sum of
Squares

Df

Mean
Squares

F

Sig.

Uji hipotesis untuk mengetahui
apakah regresi Y pada X ada,
Tabel ANOVA dengan o =0,00
menunjukkan bahwa H
0
ditolak
regresi Y pada X bermakna.

Model

1

Regresion
Residual
Total

6475.18
3185.81
9660.99

1
83
84

6475.18
38.38


168.698

.000

Selanjutnya adalah untuk mengetahui besarnya estimate koefisien regresi (
|

1
) serta
standard error-nya, ini dapat dilihat pada output COEFFICIENTS sebagai berikut:

COEFFICIENTS



Unstandardized
Coefficients



Standardized
Coefficients

t

Sig.

|

0
= 47,17 (intercept)
|

1
= 0,307 (koeffisien regresi)

Y akan berubah sebesar 0,31 unit
untuk setiap perubahan satu unit
dari X.

B

Std. Error



Beta

Model

1

(Constant)
X

47.170
.307

1.726
.024




.819

27.337
12.988

.000
.000

Dapat dilihat bahwa karena regresi linier sederhana, maka pada dua tabel di atas
t
2
= F. Beta=0,819 yang merupakan koef. regresi baku sebenarnya adalah sama
dengan r = koefisien korelasi antara Y dan X, karena beta dihitung berdasarkan
vaiabel baku Z yang dihitung dengan cara


Koefisien determinasi r
2
= 0,670 (yaitu nilai Beta dikuadratkan atau
(0.819)
2
) berarti bahwa variasi Y yang dapat dijelaskan oleh model sebesar 67
persen. Beberapa statistik dan estimasi dari parameter dapat pula diperoleh seperti
deviasi standard = SD dengan ,
SD
X X
= Z
x

rata-rata dan standard deviasi serta korelasi dari Y dan X. Para pembaca lebih
lanjut dianjurkan untuk membaca SPSS
7
Base 9.0 Application Guide.

Analisis Regresi Berganda
Kalau satu variabel dependen Y perlu dijelaskan oleh lebih dari satu
variabel independen X, maka kita perlu membuat model yang sesuai dengan
tujuan studi. Model tersebut adalah regresi linier ganda (Multivariate Linear
Regression) yang secara umum modelnya seperti pada persamaan (3.1). Selain
berguna untuk dapat menjelaskan hubungan p variabel X secara bersama terhadap
variabel Y, dengan analisis regresi ganda juga dapat diperoleh suatu penjelasan
tentang peranan atau kontribusi relatif setiap variabel X terhadap variabel Y.
Secara empirik walaupun misalnya model (3.1) signifikan, yang berarti bahwa
secara bersama p variabel X dapat menjelaskan variabel Y, tidak berarti bahwa
setiap variabel mempunyai pengaruh yang signifikan pada variabel Y. Suatu
kajian tersendiri perlu dilakukan untuk kemudian dapat memilah variabel X yang
berpengaruh secara parsial pada variabel Y.



ANALISIS BIVARIATE

Tugas ini disusun guna memenuhi tugas dari mata kuliah Statistik Sosial I





Disusun oleh :
Aldora Nuary W (D0310008)
Arum Sabtorini (D0310012)
Dani Bina M (D0310016)
Hanifah Kristiyanti (D0310026)
Indah Noor K (D0310030)
Nabella Sefina (D0310046)

JURUSAN SOSIOLOGI
FAKULTAS ILMU SOSIAL DAN ILMU POLITIK
UNIVERSITAS SEBELAS MARET
2011