METODE PENELITIAN AKUNTANSI

PERTEMUAN 13

UKURAN-UKURAN ASOSIASI DAN

ANALISIS MULTI VARIABEL

Chapter 2

OLEH:
KELOMPOK 5

NI MADE DWITA RATNANINGSIH 1681621010

IDA AYU IVON TRISNAYANTI 1681621011
NI WAYAN NOVIANA SAFITRI 1681621012

PROGRAM MAGISTER AKUNTANSI

PROGRAM PASCASARJANA
UNIVERSITAS UDAYANA
DENPASAR
2017
 UKURAN-UKURAN ASOSIASI

PENDAHULUAN
Pertanyaan manajemen sering kali berkutat di sekitar kajian hubungan antara dua
variabel atau lebih. Oleh karena itu, diperlukan adanya sebuah hipotesis relasional (relational
hypothesis). Berbagai tujuan disediakan dalam analisis korelasi. Kekuatan, arah, bentuk, dan
fitur-fitur lain dari hubungan bisa ditemukan. Atau pertanyaan-pertanyaan strategis dan taktis
bisa dijawab dengan memrediksi nilai-nilai dari satu variabel dari nilai variabel lainnya.
Ukuran Koefisien Komentar dan Penggunaan
Interval  Korelasi koefisien Pearson  Untuk variabel-variabel yang terus-menerus
(momen produk). terkait secara linear.
dan Rasio
 Rasio korelasi (eta)  Untuk data nonlinear atau terkait dengan
sebuah dampak utama dari variabel tergantung
yang kontinyu.

 Serial ganda (biseral)  Satu variabel kontinyu dan satu variabel

dikotomi dengan distribusi normal.

 Korelasi Parsial  Tiga variabel; menghubungkan dua variabel

dengan dampak variabel ketiga yang timbul.

 Korelasi Ganda  Tiga variabel; menghubungkan satu variabel

dengan dua variabel lainnya.

 Regresi linear dua variabel  Memrediksi satu variabel dari nilai-nilai

variabel lainnya.
Ordinal  Gamma  Berdasarkan pasangan konkordansi-
diskordansi; (P-Q); interpretasi pengurangan
proporsional dalam eror (PRE).

 Kendall’s tau b  Berdasarkan P–Q; penyesuaian untuk ranking

yang sama.

 Kendall’s tau c
 Berdasarkan P–Q; penyesuaian untuk dimensi-
dimensi tabel.
 Somers’s d
 Berdasarkan P–Q; perluasan ekstensi gamma
asimetris.

 Spearman Rho  Korelasi momen produk untuk data

berperingkat.
Nominal  Phi  Berdasarkan chi-square (CS) untuk tabel 2x2.

1
  Cramer’s V  Berdasarkan CS; penyesuaian apabila terdapat
tabel berdimensi >2.

 Koefisien kemungkinan  Berdasarkan CS; data fleksibel dan asumsi

C distribusi.

 Lambda  Interpretasi berdasarkan PRE.

 Goodman & Kruskal’s  Berdasarkan PRE dengan penekanan pada

Tau marjinal tabel.

 Koefisien tak tentu  Berguna untuk tabel-tabel multi dimensi.

 Kappa  Ukuran persetujuan.

ANALISIS KORELASI DUA VARIABEL

Analisis korelasi dua variabel berbeda ukuran asosiasi nonparametrik dan analisis
regresi dalam dua hal penting.
a. Pertama, korelasi nonparametrik memerlukan dua variabel kontinyu yang diukur pada
sebuah skala interval atau rasio.
b. Kedua, koefisien tidak membedakan antara variabel bebas dan tergantung. Ia
meperlakukan variabel-variabel secara simetris karena koefisien rxy mempunyai
interpretasi yang sama dengan ryx.

Koefisien Momen Produk Pearson r

Koefisien korelasi Pearson mempunyai nilai yang bervariasi dari +1 hingga 0 sampai -
1. Tnda r ,elambangkan estimasi koefisien dari asosiasi linear berdasarkan data pengambilan
sampel. Koefisien p mewakili korelasi populasi. Koefisien korelasi menunjukkan besar dan
arah dari hubungan. Besarnya hubungan adalah derajat di mana variabel-variabel bergerak
serentak atau berlawanan. Ukuran dari sebuah derajat sebesar +0,40 sama artinya dengan -
0,40. Tanda tidak berpengaruh terhadap ukuran. Derajat dari korelasi adalah sedang. Tanda
korelasi menunjukkan arah hubungan. Arah menunjukkan pada kita apakah nilai-nilai yang
besar pada sebuah variabel berasosiasi dengan nilai-nilai besar pada variabel lain.

Plot Sebaran untuk Mengeksplorasi Hubungan

Plot sebaran (scatterplots) penting untuk memahami hubungan di antara variabel-
variabel. Plot sebaran memungkinkan untuk melakukan inspeksi secara visual atas data,

2
yamg tidak disediakan oleh sebuah daftar nilai dari dua variabel. Baik arah maupun bentuk
dari sebuah hubungan disampaikan dalam sebuah plot. Apabila muncul hubungan yang lebih
kuat (misalnya, korelaso + 0,90), maka sebaran titik-titik mendekati sebuah garis lurus
imajiner melintang sepanjang data. Hubungan yang lebih lemah (+ 0,40) menggambarkan
sebuah kumpulan data yang lebih menyebar dengan titik-titik yang menjauhi garis.

Asumsi dari r
Terdapat asumsi tertentu dalam analisis korelasi, asumsi-asumsi ini diperlukan untuk
menguji hipotesis tentang koefisien.
a. Persyaratan pertama adalah linearitas.
b. Asumsi kedua dari korelasi adalah distribusi normal dua variabel (bivariate normal
distribution) yaitu data berasal dari sampel random sebuah populasi dengan dua variabel
yang terdistribusi secara normal bersama-sama.

Varians Umum sebagai Sebuah Penjelasan

Jumlah varians umum dalam X dan Y bisa dirangkum dengan r2, yaitu koefisien determinasi.

REGRESI LINEAR SEDERHANA

Apabila kita mengambil nilai-nilai X yang diamati untuk melakukan estimasi atau
memeridiksi nilai Y, prose situ disebut prediksi sederhana (simple prediction). Prediksi
sederhana dan ganda dibuat dengan sebuah teknik yang disebut analisis regresi. Berikut
disajikan tabel perbandingan korelasi linear dua variabel dengan regresi.
Keterangan Korelasi Regresi
Tingkat pengukuran Skala interval atau rasio Skala interval atau rasio.
Sifat variabel Terkait secara linear maupun Terkait secara linear maupun
kontinyu. kontiyu.
Hubungan X – Y X dan Y simetris, rxy = ryx Y adalah variabel bebas, X
adalah variabel tergantung;
regresi X terhadap Y berbeda
dengan regresi Y terhadap X.
Korelasi Korelasi x dan y Korelasi Y-X sama dengan
menghasilkan sebuah korelasi di antara nilai-nilai
estimasi asosiasi linear Y yang diprediksi dam nilai-

3
 berdasarkan pengambilan nilai Y yang diobeservasi.
data sampel.
Koefisien determinasi Menjelaskan varians umum Proporsi variabilitas Y
dari X dan Y. terhadap X dijelaskan dengan
regresi kuadrat terkecil.

Model Dasar
Regresi linear dua variabel bisa dinyatakan sebagai berikut:
Y = Bo + B1Xi
Lereng dan interpretasi Y dikenal sebagai koefisien regresi. Lereng, B1, merupakan
perubahan Y untuk 1 unit dalam X. Lereng kadang-kadang disebut kenaikan berdasarkan
jarak. Lereng didefinisikan dengan rumus:
B1 = 𝜟Y
𝜟X
Intersepsi, Bo, adalah nilai untuk fungsi regresi apabila ia memotong sumbu Y, intersepsi
merupakan estimasi Y jika X = 0.

Model Kuadrat Terkecil (Method of Least-Square)

Metode kuadrat terkecil memungkinkan kita untuk menentukan sebuah garis regresi,
atau garis yang paling sesuai, yang akan menjaga eror-eror ini tetap minimum. Metode ini
menggunakan kriteria meminimumkan total eror kuadrat estimasi. Apabila kita memrediksi
nilai Y untuk setiap nilai X, selisih antara Y, aktual dengan Y prediksi merupakan eror. Eror
dikuadratkan lalu dijumlahkan.

Uji Goodness of Fit

Dengan garis regresi yang diplot dan beberapa prediksi ilustratif, kita sekarang akan
mengumpulkan bukti goodness of fit yaitu seberapa baol model mencerminkan data. Uji yang
paling penting dalam regresi dua variabel adalah apakah lereng sama dengan nol.

Koefisien Determinasi
Koefisien determinasi mempunyai banyak tujuan. Sebagai sebuah indeks yang sesuai,
koefisien ini diinterpretasikan sebagai proporsi total dari varians dalam Y yang dijelaskan
oleh X. Sebagai ukuran hubungan linear, koefisien ini menunjukkan seberapa baik garis

4
linear sesuai dengan data. Koefisien determinasi juga merupakan indikator penting bagi
akurasi positif dari persamaan yang dihasilkan.

UKURAN NONPARAMETRIK ASOSIASI

Ukuran untuk Data Nominal
Ukuran nominal digunakan untuk menilai kekuatan hubungan dalam table klasifikasi
silang. Ukuran ini sering kali digunakan dengan chi-square atau digunakan secara terpisah.
Dalam bagian ini, kita memberikan tiga contoh statistic berdasarkan chi-square dan dua
contoh yang mengikuti reduksi proporsional dalam pendekatan error.

Pengurangan Eror Proporsional

Statistik pengurangan eror proporsional (proportional reduction in error/PRE)
merupakan jenis kedua yang digunakan dalam tabel kemungkinan. Koefisien lambda
didasarkan pada seberapa baik frekuensi-frekuensi dari sebuah variabel nominal memberikan
bukti prediktif tentang frekuensi-frekuensi variabel lainnya. Lambda merupakan asimetris
yang memungkinkan kalkulasi arah prediksi dan simetris, yaitu memrediksi variabel baris
dan kolom secara sama.

Ukuran-Ukuran untuk Data Ordinal

Apabila data merupakan ukuran ordinal, terdapat banyak alternatif statistik. Dalam
bagian ini mengilustrasikan:
 Gamma.
 Kendall’s tau b dan tau c
 Somers’s d
 Spearman’s rho
Goodman dan Kruskal’s Gamma adalah sebuah statistik yang membandingkan
pasangan konkordansi dan diskordansi lalu hasilnya terstandarisasi dengan memaksimalkan
nilai penyebut. Gamma memiliki interpretasi pengurang eror proporsional (PRE) yang
menghubungkan pengetahuan kita tentang ukuran nominal PRE.
Kendall Tau b merupakan perbaikan dari gamma yang menggunakan pasangan seri.
Pasangan seri terjadi apabila subjek mempunyai nilai yang sama dengan variabel X, sama
dengan variabel Y, atau keduanya. Setelah pasangan konkordansi dan pasangan
diskonkordansi dihilangkan, sisanya adalah pasangan-pasangan seri.

5
 Kendall Tau c adalah penyesuaian gamma yang lain untuk hubungan dasar P-Q.
Pendekatan asosiasi ordinal ini cocok untuk tabel dengan ukuran berapapun.
Somer’s d mewakili cakupan statistik kita yang menerapkan konsep pasangan
konkordansi-diskonkordansi. Fungsi statistik ini berasal dari kemampuannya untuk
mengganti pemeringkatan dan melakukan penyesuaian untuk arah variabel tergantung.
Korelasi Spearman’rho adalah ukuran ordinal yang lain. Bersama-sama dengan
Kendall’s tau. Spearman’rho sering digunakan pada data ordinal. Rho menghubungkan
peringkat antara dua variabel yang berurutan. Kadang-kadang periset menemukan variabel-
variabel kontiyu dengan banyak ketidaknormalan untuk diperbaiki. Lalu skor-skor bisa
diturunkan menjadi peringkat-peringkat dan dihitung menggunakan Spearman’s rho.

6
 ANALISIS MULTI VARIABEL: SEBUAH TINJAUAN

Analisis multi variabel sebagai teknik statistik yang berfokus pada, dan menghasilkan
bantuan yang jelas, atas struktur hubungan simultan antara tiga fenomena atau lebih.
Memilih Teknik Multi Variabel
Teknik-teknik multi variabel bisa diklasifikasikan menjadi teknik bergantung dan
teknik antarketergantungan (interdependency). Memilih teknik yang tepat berawal dari
pemahaman atas perbedaan ini. Jika terdapat variabel kriteria dan pemrediksi dalam
pertanyaan riset, maka data akan mempunyai sebuah asumsi atas ketergantungan. Regresi
berganda, analisis multi variabel dari varians (MANOVA), dan analisis diskriminan
merupakan teknik-teknik di mana terdapat variabel kriteria atau variabel bergantung dari
variabel pemrediksi atau variabel bebas.

Ya Apakah terdapat variabel Tidak

bergantung dalam masalah?

Tidak Ya
Apakah lebih
dari satu? Apakah variabel-
variabel metrik
atau nonmetrik?
Apakah variabel
Apakah variabel Non-
bergantung metric Metrik
bergantung metric Metrik
atau atau
atau nonmetrik?
nonmetrik?

Non-
Metrik
Metrik Metrik

Apakah variabel Apakah variabel

bebas metric atau bebas metric atau Apakah variabel
nonmatrik? nonmatrik? bebas metric atau
Non- nonmatrik?
Metrik

Non- Non- Non- Metrik

Metrik Metrik Metrik
Metrik Metrik

MCA Analisis Regresi Regresi Analisi MANOVA Analisis Analisis Analisis

dengan diskriminan berganda berganda gabungan kanonikal faktor gugus
variabel berganda variabel nonmetrik
contoh contoh Analisis SEM Analisis Analisis
Analisis Analisis klasifikasi struktur faktor
kanonikal logit dan Loglinear berganda laten MDS
dengan probit nonmetrik Pengambilan
variabel Deteksi Analisis skala multi
contoh interaksi gugus dimensi
otomatis nonmetrik

7
Regresi berganda
Regresi berganda merupakan perluasan dari regresi linear dua variabel. Apabila
seseorang periset tertarik untuk menjelaskan atau memrediksi sebuah variabel bergantung
metrik dari himpunan variabel bebas metrikn regresi berganda sering kali dipilih. Hasil-hasil
regresi memberikan informasi variabel bebas yang signifikan secara statistic, kekuatan
asosiasi di antara satu atau lebih predictor dan kriteria, serta sebuah persamaan prediktif
untuk penggunaan di masa depan.

Analisis Diskriminan
Analisis diskriminan digunakan untuk mengklasifikasikan orang-orang atau objek
menjadi kelompok-kelompok berdasarkan beberapa variabel pemrediksi. Kelompok-
kelompok didefinisikan oleh sebuah variabel kategori dengan dua nilai atau lebih, sementara
pamrediksi merupakan variabel metrik. Efektivitas dari persamaan diskriminan didasarkan
tidak hanya pada signifikansi statistiknya tetapi juga pada keberhasilannya dalam
mengklasifikasikan kasus-kasus secara benar dalam kelompok-kelompok.

Analisis Multivariable
Analisis multivariabel dari varians, atau MANOVA, adalah salah satu dari teknik
yang adiktif untuk data multi variabel. MANOVA menilai hubungan antara dua atau lebih
variabel bergantung metrik dan variabel-variabel klasifikasi atau faktor. MANOVA paling
umum digunakan untuk menguji perbedaan berupa orang atau objek. Berbeda dengan
ANOVA, MANOVA menangani variabel bergantung berganda, dengan demikian menguji
semua variabel dan hubungan timbal baliknya secara bersamaan.

Pemodelan Persamaan Struktural (SEM)

Periset sangat bergantung pada pemodelan persamaan struktural (SEM) untuk
menguji hipotesis tentang dimensi dari, dan hubungan di antara, variabel-variabel laten dan
variabel-variabel yang diamati. Periset mengacu pada model persamaan struktural seperti
model-mpdel LISREL (Linear structural relations). Manfaat utama dari SEM:
a. Hubungan ganda dan saling bergantung dapat diestimasi secara simultan.
b. Dapat menggambarkan konsep-konsep yang tak teramati, atau variabel laten, dalam
hubungan ini dan menghitung eror dalam proses estimasi.
Periset pengguna SEM harus mengikuti lima langkah dasar:
1. Spesifikasi model
8
 2. Estimasi
3. Evaluasi ketepatan
4. Spesifikasi ulang model
5. Interpretasi dan komunikasi

Analisis Gabungan
Analisis gabungan merupakan teknik yang biasnya menangani variabel-variabel bebas
nonmetrik. Analisis gabungan memungkinkan periset menentukan pentingnya atribut produk
atau jasa dan tingkat fitur yang diinginkan. Repsonden memberikan data preferensi dengan
membuat rangking atau rating atas kartu-kartu yang menggambarkan produk tertentu. Data
ini menjadi pembobot kegunaan dari karakteristik produk dengan pengambilan skala optimal
dan alogaritma loglinear.

TEKNIK ANTARKETERGANTUNGAN
Analisis Faktor
Analisis komponen utama menyaring faktor-faktor yang tidak saling berkorelasi yang
menyebabkan porsi varians terbesar dari sebuah himpunan variabel awal. Analisis faktor juga
berupaya mengurangi banyaknya variabel dan menentuknan konstruk yang mendasari dan
menjelaskan varians. Sebuah matriks korelasi digunakan untuk mendapatkan sebuah matriks
faktor dimana kombinasi linear terbaik dari variabel dapat disaring. Dalam banyak
penerapannya, matriks faktor akan dirotasi untuk menyederhanakan struktur faktor.

Analisis Gugus
Analisis gugus adalah sekumpulan teknik untuk mengelompokkan objek atau orang
yang serupa. Prosedur penggugusan berawal dari sekelompok orang, kejadian, atau objek
yang belum dibedakan dan berupaya mengatur kembali kelompok tersebut mennjadi sub
kelompok yang homogen.

Skala Multidimensi
Pengambilan skala multi dimensi (MDS) sering kali digunakan bersama-sama dengan
analisis gugus atau analisis gabungan. Hal ini memungkinkan persepsi responden mengenai
sebuah produk, jasa, atau subjek sikap lainnya yang digambarkan dalam bentuk ruang. MDS
membantu periset memahami konstruk yang sulit diukur seperti kualitas produk atau
keinginan, yang dirasakan dan dipetakan secara kognitif dengan cara yang berbeda oleh
9
masing-masing individu. Item-item yang dinilai serupa akan mempunyai letak yang
berdekatan dalam ruang multidimensi dan akan diungkap secara numeric dan geometris oleh
peta ruang. Penggunaan MDS memungkinkan periset memahami konstruk yang tidak dapat
diukur secara langsung. Proses ini memberikan sebuah peta ruang yang memperlihatkan
kesamaan dalam jarak relatif.

10