Nama: Diyana

NIM:

141.13.042
ANALISIS MULTIVARIAT, ANALISIS DAN INTERPRETASI DATA
ANALISIS MULTIVARIAT

Analisis multivariat menguji beberapa variabel dan hubungannya secara simultan; berbeda dari
analisis bivariat yang menguji hubungan antara dua variabel, dan analisis univariat di mana satu
variabel pada satu waktu diuji untuk generalisasi dari sampel ke populasi (Sekaran, 2006:303).
Berikut akan dijelaskan secara singkat mengenai teknik-teknik multivariat (Sekaran, 2006:301-303).
MANOVA mirip dengan ANOVA, dengan perbedaan bahwa ANOVA menguji perbedaan rata-rata
lebih dari dua kelompok pada satu variabel terikat, sedangkan MANOVA menguji perbedaan rata-rata
di antara kelompok pada beberapa variabel terikat secara simultan, dengan menggunakan jumlah
kuadrat dan matriks lintas produk (cross-product). Sama seperti uji t multiple akan membiaskan hasil,
uji ANOVA berganda, menggunakan satu variabel terikat pada satu waktu, juga akan membiaskan
hasil, karena variabel terikat sangat mungkin saling berkaitan. MANOVA mengelakkan bias tersebut
dengan secara simultan menguji semua variabel terikat, sehingga menghapuskan pengaruh dari
interkorelasi di antara mereka. Dalam uji MANOVA, variabel bebas diukur pada skala nominal dan
variabel terikat pada skala interval atau rasio.
Analisis diskriminan (discriminant analysis) membantu mengidentifikasi variabel bebas yang
membedakan variabel terikat berskala nominal-misalkan yang tinggi pada satu variabel dari yang
rendah pada variabel tersebut. Kombinasi linear dari variabel bebas yang menyatakan fungsi pembeda
menunjukkan perbedaan besar yang eksis dalam rata-rata kedua kelompok. Dengan kata lain, variabel
bebas yang diukur pada skala interval atau rasio membedakan kelompok yang diteliti.
Korelasi kanonical (canonical correlation) menguji hubungan antara dua atau lebih variabel terikat
dan beberapa variabel bebas.
Tipe-tipe analisis statistik yang akan dijelaskan berikut ini membantu kita untuk memahami
bagaimana variabel yang diteliti membentuk suatu pola atau struktur, berbeda dari fokus pada
memprediksi variabel terikat atau menelusuri hubungan.
Analisis faktor (factor analysis) membantu mengurangi sejumlah besar variabel (misal, semua
pertanyaan yang mengungkap beberapa variabel penelitian dalam sebuah kuesioner) menjadi
sekumpulan faktor yang berarti, dapat diinterpretasi, dan dapat dikelola. Analisis komponen utama
mentransformasi semua variabel ke dalam sekelompok variabel gabungan yang tidak berkorelasi satu
sama lain.

Analisis klaster (cluster analysis) digunakan untuk mengklasifikasikan objek atau individu ke dalam
kelompok yang saling eksklusif dan lengkap secara bersama dengan homogenitas tinggi di dalam
klaster dan homogenitas rendah antarkelompok. Dengan kata lain, analisis klaster membantu
mengidentifikasi objek yang mirip satu sama lain, berdasarkan beberapa kriteria spesifik.
Penskalaan multidimensional (multidimensional scaling) mengelompokkan objek ke dalam
kelompok yang multidimensional. Objek yang responden rasakan berbeda dijauhkan, dan semakin
besar perbedaan yang dirasakan, semakin besar jarak antarobjek dalam kelompok multidimensional.
Dengan kata lain, penskalaan multidimensional memberikan gambaran spasial persepsi responden
mengenai produk, layanan, atau unsur penelitian lainnya, dan menyoroti persamaan dan perbedaan
yang dirasakan.
Singkatnya, teknik multivariat seperti MANOVA, analisis diskriminan, dan korelasi
kanonikal membantu kita menganalisis pengaruh variabel bebas terhadap variabel terikat dengan
berbagai cara. Teknik multivariat lainnya seperti analisis faktor, analisis klaster, dan penskalaan
multidimensional memberi wawasan yang berharga ke dalam kelompok data dengan membentuk
pola-pola data dalam satu atau lain bentuk.
ANALISIS DAN INTERPRETASI DATA
Sebelum memulai analisis dan interpretasi, data perlu disiapkan untuk dianalisis. Setelah dikumpulkan
melalui kuesioner, wawancara, observasi, atau melalui sumber sekunder, data perlu diedit. Respons
kosong, jika ada, harus ditangani dengan cara tertentu, data dikodekan, dan skema kategorisasi perlu
disusun. Data kemudian akan diinput (keyed in), dan beberapa program peranti lunak digunakan untuk
menganalisisnya (Sekaran, 2006; 169).
Dalam analisis data kita memiliki tiga tujuan: mendapatkan perasaan terhadap data (feel for
the data), menguji kualitas data (goodness of data), dan menguji hipotesis penelitian yang masingmasing akan dibahas berikut ini (Sekaran, 2006: 175-178).
Perasaan terhadap Data
Kita bisa memperoleh perasaan terhadap data dengan memeriksa tendensi sentral dan dispersi. Rerata
hitung (mean), kisaran (range), standar deviasi (standard deviation), dan varians (variance) dalam
data akan memberi peneliti ide yang baik tentang bagaimana responden bereaksi terhadap item dalam
kuesioner dan seberapa baik item dan ukuran yang dipakai. Bila respons pada tiap item individual
dalam suatu skala tidak memiliki kisaran yang baik dan menunjukkan sangat sedikit variabilitas, maka
peneliti akan menduga bahwa pertanyaan tertentu mungkin belum tersusun dengan baik dan
responden tidak cukup memahami maksud pertanyaan. Bias, jika ada, juga dapat dideteksi jika
responden cenderung merespon semua item secara sama-yaitu hanya terpaku pada titik skala tertentu.

Distribusi frekuensi dari variabel penelitian nominal sebaiknya dihasilkan. Tampilan visual
melalui grafik histogram/batang, dan sebagainya, juga dapat disediakan melalui program yang
menghasilkan grafik. Selain distribusi frekuensi, mean, dan standar deviasi, adalah baik untuk
mengetahui bagaimana variabel terikat dan bebas dalam penelitian berkaitan satu sama lain. Untuk
tujuan tersebut, suatu matriks interkorelasi variabel juga dapat disusun.
Menguji Ketepatan Data
Keandalan
Keandalan (reliability) pengukuran dibuktikan dengan menguji konsistensi dan stabilitas. Konsistensi
menunjukkan seberapa baik item-item yang mengukur sebuah konsep bersatu menjadi sebuah
kumpulan. Alfa Cronbach adalah koefisien keandalan yang menunjukkan seberapa baik item dalam
suatu kumpulan secara positif berkorelasi satu sama lain. Alfa Cronbach dihitung dalam hal rata-rata
interkorelasi antar-item yang mengukur konsep. Semakin dekat Alfa Cronbach dengan 1, semakin
tinggi keandalan konsistensi internal. Ukuran keandalan konsistensi lain yang dipakai dalam situasi
spesifik adalah koefisien keandalan belah dua (split-half reliability coefficient).
Stabilitas pengukuran bisa ditaksir dengan keandalan bentuk paralel (parallel form
reliability) dan keandalan tes ulang (test-retest reliability). Bila diperoleh korelasi tinggi antara dua
bentuk pengukuran yang serupa, keandalan bentuk paralel terbukti. Keandalan tes ulang dapat
dihasilkan dengan menghitung korelasi antara tes yang sama yang disebarkan pada dua periode waktu
yang berbeda.
Validitas
Validitas faktorial (factorial validity) dapat diperoleh dengan memasukkan data untuk analisis faktor.
Hasil analisis faktor (teknik multivariat) akan menegaskan apakah dimensi yang diteorikan memang
muncul. Analisis faktor akan mengungkapkan apakah dimensi benar-benar diungkap oleh item dalam
pengukuran, sebagaimana diteorikan. Validitas berdasar kriteria dapat dihasilkan dengan menguji
kekuatan pengukuran untuk membedakan individu yang diketahui berbeda. Validitas konvergen bisa
dihasilkan jika terdapat tingkat korelasi yang tinggi di antara dua sumber berbeda yang merespons
ukuran yang sama. Validitas diskriminan dapat dihasilkan jika dua konsep yang jelas berbeda tidak
berkorelasi satu sama lain.
Pengujian Hipotesis
Setelah data siap dianalisis (yaitu, respons yang hilang/tidak sesuai, dan sebagainya, dikeluarkan, dan
ketepatan pengukuran terbukti), peneliti siap untuk menguji hipotesis yang telah disusun untuk
penelitian. Dari pengujian hipotesis inilah kita dapat memperoleh jawaban dari pertanyaan penelitian
kita.

DAFTAR PUSTAKA

Sekaran, Uma. 2006. Metodologi Penelitian untuk Bisnis. Edisi 4 Buku 1, (Terjemahan). Jakarta:
Salemba Empat.