LANDASAN TEORI
2.1 Variabel
Variabel berasal dari kata vary yang berarti ”berubah” dan able yang berarti
”dapat”, maka setiap variabel dapat diberi nilai dan nilai itu dapat berubah-ubah. Nilai
tersebut dapat berupa nilai kualitatitif atau kuantitatif. Variabel penelitian pada
hakikatnya adalah segala sesuatu yang berbentuk apa saja yang ditetapkan oleh peneliti
untuk dipelajari sehingga diperoleh informasi tentang hal tersebut, kemudian ditarik
kesimpulannya, (Sugiyono, 2007).
2.2 Data
Data merupakan kumpulan keterangan atau fakta yang diperoleh dari satu populasi
atau lebih. Data yang baik, benar dan sesuai dengan model menentukan kualitas
kebijakan/ keputusan yang akan diambil terhadap suatu masalah dari populasi yang
akan dikaji. Menurut Kamus Besar Bahasa Indonesia, pengertian data adalah
keterangan yang benar dan nyata. Tujuan dari pengumpulan data adalah :
1. Untuk memperoleh gambaran suatu keadaan.
2. Sebagai dasar pengambilan suatu keputusan.
Analisis korelasi adalah metode yang digunakan untuk mengukur kekuatan atau derajat
hubungan antara dua variabel atau lebih. Perhitungan derajat didasarkan pada
persamaan regresi. Dalam ilmu statistika, istilah korelasi diartikan sebagai hubungan
linier antara dua variabel atau lebih. Hubungan antara dua variabel dikenal dengan
istilah bivariate correlation, sedangkan hubungan antar lebih dari dua variabel disebut
multivariate correlation.
Tujuan dilakukan analisis korelasi antara lain adalah:
a) Untuk mencari bukti terdapat tidaknya hubungan (korelasi) antarvariabel.
Apabila terdapat dua buah variabel yaitu X dan Y yang keduanya memiliki
tingkat pengukuran ordinal maka koefisien korelasi yang dapat dipergunakan adalah
koefisien korelasi Spearman atau Spearman`s coefficient of (rank) correlation dan
angka indeks korelasi Spearman dapat dihitung dengan menggunakan rumus berikut:
Keterangan:
= Koefisien korelasi Spearman
n = Banyaknya ukuran sampel
D i
2
= Jumlah kuadrat dari selisih rank variabel x
Berikut ini beberapa asumsi yang harus dipenuhi agar model diskriminan dapat
digunakan:
1. Multivariate Normality, atau variabel independen seharusnya berdistribusi
normal, hal ini akan menyebabkan masalah pada ketepatan fungsi (model)
diskriminan. Regresi logistik (Logistic Regression ) bisa dijadikan alternatif
metode jika memang data tidak berdistribusi normal. Tujuan uji normal adalah
ingin mengetahui apakah distribusi data dengan bentuk lonceng (bell shaped).
Data yang „baik‟ adalah data yang mempunyai pola seperti distribusi normal,
Jika sebuah variabel mempunyai sebaran data yang tidak normal, maka
perlakuan yang dimungkinkan agar menjadi normal, (Santoso, 2010):
a. Menambah jumlah data. Seperti pada kasus, bisa dicari 20 atau 30 atau
sejumlah data baru untuk menambah ke-75 data berat badan konsumen yang
sudah ada. Kemudian dengan jumlah data yang baru, dilakukan pengujian
sekali lagi.
b. Menghilangkan data yang dianggap penyebab tidak normalnya data. Seperti
pada variabel berat, jika dua data yang outlier dibuang, yakni berat 100 dan
120, kemudian diulang proses pengujian, mungkin data bisa menjadi normal.
Jika belum normal, ulangi pengurangan data yang dianggap penyebab
ketidaknormalan data. Namun demikian, pengurangan data harus
dipertimbangkan apakah tidak mengaburkan tujuan penelitian karena hilangnya
data-data yang seharusnya ada.
c. Dilakukan transformasi data, misal mengubah data ke logaritma atau kebentuk
natural (ln) atau bentuk lainnya, kemudian dilakukan pengujian ulang.
d. Data diterima apa adanya, memang dianggap tidak normal dan tidak perlu
dilakukan berbagai treatment. Untuk itu, alat analisis yang dipilih harus
diperhatikan, seperti untuk multivariate mungkin faktor analisis tidak begitu
mementingkan asumsi kenormalan. Atau pada kasus statistik univariat, bias
dilakukan alat analisis nonparametrik, (Santoso, 2010).
Statistik uji yang digunakan dalam pengujian hipotesis tersebut adalah statistik
V-Bartlett yang menyebar mengikuti sebaran Chi-kuadrat (2) dengan derajat bebas
p(k - 1), apabila H0 diterima. Statistik V-Bartlett diperoleh melalui:
V (n 1) ( p k ) 2ln()
dimana:
n = banyaknya pengamatan
p = banyaknya peubah dalam fungsi diskriminan
k = banyaknya kelompok
W
Wilk’s lambda
W B
Titik Keputusan:
H0: Ada perbedaan vektor nilai rataan antarkelompok.
H1: Tidak ada perbedaan vektor nilai rataan antarkelompok
Bila dari hasil pengujian ada perbedaan vektor nilai rataan, maka fungsi
diskriminan layak disusun untuk mengkaji hubungan antar kelompok serta berguna
untuk mengelompokkan suatu objek ke salah satu kelompok tersebut. Diharapkan
dalam uji ini adalah hipotesis nol ditolak, sehingga kita mempunyai informasi awal
bahwa variabel yang sedang diteliti memang membedakan kedua kelompok. Pada
SPSS, uji ini dilakukan secara univariate (jadi yang diuji bukan berupa vektor),
dengan bantuan table Tests of Equality of Group Means.
-2ln* = n k ln W (n k ) n j 1ln S j
k
j 1
* = ( nk ) / 2
W /( n k )
dimana:
k = banyaknya kelompok.
W / (n-k) = matrik ragam-peragam dalam kelompok gabungan.
Sj = matrik ragam-peragam kelompok ke-j.
2 p3 3 p 1 k 1 1
a1 =
6(k 1)( p 1) j 1 (n j 1) (n k )
( p 1)( p 2) k 1 1
a2 =
6(k 1) j 1 (n j 1) 2 (n k ) 2
Sama tidaknya grup kovarians matriks juga bisa dilihat dari tabel output Log
Determinant. Jika dalam pengujian ini H0 ditolak maka proses lanjutan seharusnya
tidak bisa dilakukan.
y 2 ˆ 21x1 ˆ 22 x2 ˆ 2 j x j ˆ 2 p x p
…………………………………………….
yi ˆ i1 x1 ˆ i 2 x2 ˆ ij x j ˆ ip x p
……………………………………………
y q ˆ q1 x1 ˆ q 2 x2 ˆ qj x j ˆ qp x p
Sehingga,
Apabila dua grup berbeda ukuran, rumus cutting score yang digunakan adalah:
N A Z B NB Z A
ZCU
N A NB
dengan :
ZCU = Cutting score untuk grup tak sama ukuran
NA = Jumlah anggota grup A
NB = Jumlah anggota grup B
ZA = Centroid grup A
ZB = Centroid grup B
n ic
Hit Ratio i 1
k
100%
n
i 1
i
dimana :
pk = prior probability kelompok ke-k dan
1
fi x f x exp 1 / 2 x k 1 x k
2
p/ z 1/2
yang mengisi kolom di 1_1 dan kolom di 1_2 pada sheet SPSS.
h. Akurasi statisik, dapat di uji secara statistik apakah klasifikasi yang dilakukan (dengan
menggunakan fungsi diskriminan) akurat atau tidak. Uji statistik tersebut adalah
prees-Q Statistik. Ukuran sederhana ini membandingkan jumlah kasus yang
diklasifikasi secara tepat dengan ukuran sampel dan jumlah grup. Nilai yang diperoleh
dari perhitunngan kemudian dibandingkan dengan nilai kritis (critical velue) yang
diambil dari tabel Chi-Square dan tingkat keyakinan sesuai yang diinginkan. Statistik
Q ditulis dengan rumus:
N nK
2
Pr ees Q
N k 1
dengan :
N = ukuran total sampel
n = jumlah kasus yang diklasifikasi secara tepat
K = jumlah grup
Intepretasi hasil analisis diskriminan tidak berguna jika fungsinya tidak signifikan.
Hipotesis yang akan diuji adalah H0 yang menyatakan bahwa rata-rata semua variable
H0: Tidak ada perbedaan antara perusahaan yang tidak sehat dan sehat
H1: Ada perbedaan antara perusahaan yang tidak sehat dan sehat
Dengan titik keputusan sebagai berikut:
Jika F hitung > F tabel maka H0 ditolak
Jika F hitung _ F tabel maka H1 diterima