Rumus Sampel Penelitian Cross-Sectional
Rumus Sampel Penelitian Cross-Sectional
Untuk penelitian survei, biasanya rumus yang bisa dipakai menggunakan proporsi binomunal
(binomunal proportions). Jika besar populasi (N) diketahui, maka dicari dengan menggunakan
rumus berikut:
Dengan jumlah populasi (N) yang diketahui, maka peneliti bisa melakukan pengambilan sampel
secara acak).
Namun apabila besar populasi (N) tidak diketahui atau (N-n)/(N-1)=1 maka besar sampel
dihitung dengan rumus sebagai berikut :
Keterangan :
= derajat kepercayaan
1- /2 = 1,962 atau dibulatkan menjadi 4, maka rumus untuk besar N yang diketahui kadang-
kadang diubah menjadi:
Contoh Rumus Rumus Besar Sampel Penelitian
Misalnya, kita ingin mencari sampel minimal untuk suatu penelitian mencari faktor determinan
pemberian ASI secara eksklusif. Untuk mendapatkan nilai p, kita harus melihat dari penelitian
yang telah ada atau literatur. Dari hasil hasil penelitian Suyatno (2001) di daerah Demak-Jawa
Tengah, proporsi bayi (p) yang diberi makanan ASI eksklusif sekitar 17,2 %. Ini berarti nilai p =
0,172 dan nilai q = 1 – p. Dengan limit dari error (d) ditetapkan 0,05 dan nilai Alfa = 0,05, maka
jumlah sampel yang dibutuhkan sebesar:
Jika tidak diketemukan nilai p dari penelitian atau literatur lain, maka dapat dilakukan maximal
estimation dengan p = 0,5. Jika ingin teliti teliti maka nilai d sekitar 2,5 % (0,025) atau lebih
kecil lagi. Penyederhanaan Rumus diatas banyak dikenal dengan istilah Rumus Slovin.
Rumus yang digunakan untuk mencari besar sampel baik case control maupun kohort adalah
sama, terutama jika menggunakan ukuran proporsi. Hanya saja untuk penelitian khohor, ada juga
yang menggunakan ukuran data kontinue (nilai mean).
Besar sampel untuk penelitian case control adalah bertujuan untuk mencari sampel minimal untuk
masing-masing kelompok kasus dan kelompok kontrol. Kadang kadang peneliti membuat perbandingan
antara jumlah sampel kelompok kasus dan kontrol tidak harus 1 : 1, tetapi juga bisa 1: 2 atau 1 : 3
dengan tujuan untuk memperoleh hasil yang lebih baik.
Adapun rumus yang banyak dipakai untuk mencari sampel minimal penelitian case-control adalah
sebagai berikut:
Pada penelitian khohor yang dicari adalah jumlah minimal untuk kelompok exposure dan non-
exposure atau kelompok terpapar dan tidak terpapar. Jika yang digunakan adalah data proporsi
maka untuk penelitian khohor nilai p0 pada rumus di atas sebagai proporsi yang sakit pada
populasi yang tidak terpapar dan p1 adalah proporsi yang sakit pada populasi yang terpapar atau
nilai p1 = p0 x RR (Relative Risk).
Jika nilai p adalah data kontinue (misalnya rata-rata berat badan, tinggi badan, IMT dan
sebagainya) atau tidak dalam bentuk proporsi, maka penentuan besar sampel untuk kelompok
dilakukan berdasarkan rumus berikut:
Contoh kasus, misalnya kita ingin mencari sampel minimal pada penelitian tentang pengaruh
pemberian ASI eksklusif dengan terhadap berat badan bayi. Dengan menggunakan tingkat
kemaknaan 95 % atau Alfa = 0,05, dan tingkat kuasa/power 90 % atau ß=0,10, serta kesudahan
(outcome) yang diamati adalah berat badan bayi yang ditetapkan memiliki nilai asumsi SD=0,94
kg, dan estimasi selisih antara nilai mean kesudahan (outcome) berat badan kelompok tidak
terpapar dan kelompok terpapar selama 4 bulan pertama kehidupan bayi (U0 – U1) sebesar 0,6
kg (mengacu hasil penelitian Piwoz, et al. 1994), maka perkiraan jumlah minimal sampel yang
dibutuhkan tiap kelompok pengamatan, baik terpapar atau tidak terpapar adalah:
Pada penelitian khohor harus ditambah dengan jumlah lost to follow atau akalepas selama pengamatan,
biasanya diasumsikan 15 %. Pada contoh diatas, maka sampel minimal yang diperlukan menjadi n= 52
(1+0,15) = 59,8 bayi atau dibulatkan menjadi sebanyak 60 bayi untuk masing-masing kelompok baik
kelompok terpapar ataupun tidak terpapar atau total 120 bayi untuk kedua kelompok tersebut.
Penelitian Eksperimental
Menurut Supranto J (2000) untuk penelitian eksperimen dengan rancangan acak lengkap, acak
kelompok atau faktorial, secara sederhana dapat dirumuskan:
j = jumlah replikasi
Contohnya: Jika jumlah perlakuan ada 4 buah, maka jumlah ulangan untuk tiap perlakuan dapat
dihitung:
r>6
Untuk mengantisipasi hilangnya unit ekskperimen maka dilakukan koreksi dengan 1/(1-f) di
mana f adalah proporsi unit eksperimen yang hilang atau mengundur diri atau drop out.
1) Mean / average adalah ukuran rata-rata yang merupakan hasil dari jumlah semua nilai
pengukuran dibagi oleh banyaknya pengukuran. Rumusnya dapat dilihat di bawah ini.
2) ) Median
Median adalah nilai dimana setengah banyaknya pengamatan mempunyai nilai di bawahnya dan
setengahnya lagi mempunyai nilai di atasnya (nilai tengah). Berbeda dengan nilai mean,
perhitunga median hanya mempertimbangkan urutan nilai dari pengukuran, besar beda antar nilai
diabaikan. Karena besar bedatidak diperhitungkan maka nilai median tidak dipengaruhi oleh nilia
ekstrim
Standar Deviasi
Variasi data yang diukur melalui penyimpangan/deviasi dari nilai-nilai pengamatan terhadap
nilai mean-nya. Rata-rata hitung dari kuadrat deviasi terhadap mean disebut varian, yang
rumusnya:
Semakin besar nilai varian akan semakin bervariasi, karena satuan varian (kuadrat) yang tidak
sama dengan satuan nilai pengamatan. Dari kondisi tersebut maka dikembangkan suatu ukuran
variasi yang mempunyai satuan yang sama dengan satuan pengamatan yaitu standar deviasi.
Standar deviasi merupakan akar dari varian. Rumusnya:
Semakin besar SD, semakin besar variasinya, apabila tidak ada variasi, maka SD = 0.
Untuk data numerik digunakan nilai mean, median, standar deviasi dan inter quartil range
(IQR), minimal (distribusi normal), maka perhitungan nilai mean dan standar deviasi merupakan
cara analisis univariat yang tepat. Jika dijumpai nilai ekstrim (distribusi data tidak normal), maka
nilai yang tepat untuk digunakan adalah nilai median, modus dan IQR.
1. Analisis Bivariat
Analisis bivariat adalah analisis statistik yang dilakukan untuk menguji hipotesis antara dua
variabel, untuk memperoleh jawaban apakah kedua variabel tersebut ada hubungan, berkorelasi,
ada perbedaan, ada pengaruh dan sebagainya sesuai dengan hipotesis yang telah dirumuskan.
Adapun tahapan dalam analisis bivariat adalah:1
Analisis proporsi atau presentase dengan membandingkan distribusi silang antara dua
variabel yang bersangkutan.
Hasil analisis dari uji statistik (chi square test, Z test, t test, Pearson, dsb) dapat
disimpulkan ada / tidaknya hubungan, korelasi, perbedaan antara kedua variabel tersebut.
Bisa saja terjadi secara persentase berhubungan tetapi hasil uji statistik tidak bermakna.
Analisis keeratan hubungan antara kedua variabel tersebut dengan melihat Odd Ratio
(OR). Besar kecilnya nilai OR menunjukan seberapa erat hubungan kedua variabel,
demikian juga rentang OR dibawah angka 1 = faktor protektif dan > 1 = sebagai faktor
risiko.
Contoh tabel analisis bivariat pada analisis data kategorik menggunakan uji chi square dapat
dilihat pada table 8 berikut ini.
Perdarahan OR
Konsumsi Post Partum Nilai
Total
Tablet Fe P (IK
Ya Tidak 95%)
7 28
35
Ya
(100%)
(20%) (80%)
24
20 44
Tidak 3,08
(45,5%) (100%)
(54%)
0,004
31 48 79 (1,2 –
Total 6,7)
(39,2%) (60,8%) (100%)
Interpretasi:
Dari tabel diatas menunjukan bahwa dari 35 responden yang mengkonsumsi tablet Fe terdapat
20% yang mengalami perdarahan post partum, sedangkan dari 44 responden yang tidak
mengkonsumsi tablet Fe lebih banyak yang mengalami perdarahan postpartum yakni sebesar
54%. Hasil uji statistik menunjukan nilai P 0,004 (< 0,05) yang berarti ada hubungan yang
bermakna mengkonsumsi tablet FE dengan perdarahan post partum. OR (CI 95%) = 3,08 (1,2 –
6,7) artinya responden yang tidak mengkonsumsi tablet Fe selama hamil beresiko mengalami
perdarahan post partum 3,08 kali lebih besar dibandingkan dengan responden yang
mengkonsumsi tablet Fe.
Perlu dipahami bahwa meskipun secara statistik ditemukan ada hubungan secara bermakna
antara kedua variabel, tidak menjamin kemungkinan bermakna pula secara klinis. Seperti
diketahui bahwa semakin besar sampel yang dianalisis akan semakin besar menghasilkan
kemungkinan berbeda / berhubungan secara bermakna. Dengan sampel besar perbedaan –
perbedaan sangat kecil, yang sedikit atau bahkan tidak mempunyai manfaat secara substansi /
klinis dapat berubah menjadi bermakna secara statistik. Dengan demikian peneliti yang
melakukan analisis hendaknya jangan hanya melihat dari sudut pandang statistik saja, tetapi
harus juga melihat dari segi kegunaan atau manfaat dari sisi klinis juga
1. Analisis Multivariat
Analisis multivariat digunakan untuk mengetahui dari sekian variabel independen yang ada,
manakah yang paling dominan hubungannya atau pengaruhnya terhadap variable dependen. Pada
analisis dilakukan berbagai langkah pembuatan model. Model terakhir terjadi apabila semua
variabel independen dengan dependen sudah tidak mempunyai nilai p > 0,05. Berikut ini adalah
contoh pemodelan awal dan akhir dari sebuah analisis multivariat.
1. Analisis Bivariat
Analisis bivariat adalah analisis statistik yang dilakukan untuk menguji hipotesis antara dua
variabel, untuk memperoleh jawaban apakah kedua variabel tersebut ada hubungan, berkorelasi,
ada perbedaan, ada pengaruh dan sebagainya sesuai dengan hipotesis yang telah dirumuskan.
Adapun tahapan dalam analisis bivariat adalah:1
Analisis proporsi atau presentase dengan membandingkan distribusi silang antara dua
variabel yang bersangkutan.
Hasil analisis dari uji statistik (chi square test, Z test, t test, Pearson, dsb) dapat
disimpulkan ada / tidaknya hubungan, korelasi, perbedaan antara kedua variabel tersebut.
Bisa saja terjadi secara persentase berhubungan tetapi hasil uji statistik tidak bermakna.
Analisis keeratan hubungan antara kedua variabel tersebut dengan melihat Odd Ratio
(OR). Besar kecilnya nilai OR menunjukan seberapa erat hubungan kedua variabel,
demikian juga rentang OR dibawah angka 1 = faktor protektif dan > 1 = sebagai faktor
risiko.
Contoh tabel analisis bivariat pada analisis data kategorik menggunakan uji chi square dapat
dilihat pada table 8 berikut ini.
Tabel 9. Model Awal Regresi Logistik Ganda antara Variabel Bebas dan Perancu dengan
Pemberian ASI Eksklusif
Koefsien IK 95 %
Variabel SE Nilai p OR
(β) (OR)
Frekuensi
1,530 0,422 0,000 4,61 2,02-10,55*
Pemeriksaan
Kehamilan
Konseling
-0,172 0,453 0,705 0,84 0,34-2,04
Laktasi
Pengetahuan 1,476 0,458 0,001 4,37 1,78-10,73*
Pendidikan 0,147 0,500 0,769 1,15 0,43-3,08
Pekerjaan -0,501 0,692 0,469 0,60 0,15-2,35
Paritas 0,715 0,421 0,090 0,04 0,89-4,66*
Tingkat
Pendapatan 0,142 0,416 0,733 1,15 0,51-2,60
Keluarga
* Signifikan
Berdasarkan tabel 9 di atas diperoleh bahwa diantara 7 variabel, hanya 3 variabel yang akan
masuk ke dalam model yaitu frekuensi pemeriksaan kehamilan, pengetahuan dan paritas.
Selanjutnya semua variabel yang masuk dalam model dianalisis secara bersama-sama. Variabel
kandidat dimasukkan ke dalam model, kemudian variabel yang nilai p-nya tidak signifikan
(p>0,05) dikeluarkan dari model secara berurutan dimulai dari variabel dengan nilai p terbesar.
Apabila setelah dikeluarkan diperoleh selisih OR variabel utama (frekuensi pemeriksaan
kehamilan) antara sebelum dan sesudah variabel kovariat dikeluarkan lebih besar dari 10%,
maka variabel tersebut dinyatakan sebagai perancu dan tetap berada dalam model.
Dari hasil analisis multivariabel dengan menggunakan analisis logistik ganda ternyata
pengetahuan dan frekuensi pemeriksaan kehamilan merupakan faktor risiko utama pemberian
ASI eksklusif (Tabel 10).
Tabel 10. Model Akhir Regresi Logistik Ganda antara Variabel Bebas dan Perancu dengan
Pemberian ASI Eksklusif
IK 95%
Koefisien Nilai
Variabel SE (B) OR
(β) p
(OR)
1,98-
Pengetahuan 1,459 0,394 0,00 4,30
9,31*
Perlu dipahami bahwa meskipun secara statistik ditemukan ada hubungan secara bermakna
antara kedua variabel, tidak menjamin kemungkinan bermakna pula secara klinis. Seperti
diketahui bahwa semakin besar sampel yang dianalisis akan semakin besar menghasilkan
kemungkinan berbeda / berhubungan secara bermakna. Dengan sampel besar perbedaan –
perbedaan sangat kecil, yang sedikit atau bahkan tidak mempunyai manfaat secara substansi /
klinis dapat berubah menjadi bermakna secara statistik. Dengan demikian peneliti yang
melakukan analisis hendaknya jangan hanya melihat dari sudut pandang statistik saja, tetapi
harus juga melihat dari segi kegunaan atau manfaat dari sisi klinis juga. 2, 4
ANALISIS DATA KUANTITATIF
Ciri analisis kuantitatif adalah selalu berhubungan dengan angka, baik angka
yang diperoleh dari pencacahan maupun perhitungan. Data yang telah diperoleh dari
pencacahan selanjutnya diolah dan disajikan dalam bentuk yang lebih mudah
dimengerti oleh pengguna data tersebut. Sajian data kuantitatif sebagai hasil analisis
kuantitatif dapat berupa angka-angka maupun gambar-gambar grafik.
Ada tiga hal pokok yang harus dilakukan oleh peneliti saat melakukan
pengolahan data kuantitatif , yakni pertama, memilih teknik statistik mana yang tepat
dan sesuai dengan tujuan penelitian. Kedua, mempersiapkan dan memilih software bila
pengolahan data dilakukan secara elektronis. Ketiga, melaksanakan langkah-langkah
pengolahan.
Analisis kuantitatif dalam dalam suatu penelitian dapat didekati dari dua sudut
pendekatan, yaitu analis kuantitatif secara deskriptif dan analisis kuantitatif secara
inferensial.
Teknik Analisis Data Kuantitatif
4.1.1 Analisis Deskriptif
Statistik deskriptif dapat membantu menggambarkan hasil pengumpulan data dengan
cara :
(1) Central Tendency
Mean merupakan nilai rata-rata yang diperoleh dari pembagian jumlah semua nilai
dari anggota populasi dengan jumlah anggota populasi. Lazimnya digunakan untuk data
interval atau rasio.
Median adalah titik tengah dari nilai-nilai setelah diurut dari yang terkecil sampai
yang terbesar. Lazimnya digunakan untuk data ordinal.
Modus adalah nilai pengamatan yang paling sering muncul dari rentetan data yang
terkumpul. Modus banyak digunakan untuk data nominal.
(2) Variabilitas
Merupakan derajat penyebaran nilai-nilai variable dari suatu tendensi sentral dalam
suatu distribusi.
Range adalah jarak antara nilai yang tertinggi dengan nilai yang terendah.
Rumus R= Xt - Xr
Dimana:
R = range
Xt = Nilai tertinggi
Xr = Nilai terendah
Standar deviasi atau yang lebih dikenal dengan simpangan baku adalah akar
kuadrat dari varian (nilai-rata-rata nilai). Bilangan tersebut dipergunakan untuk
mengetahui nilai ekstrem suatu data.
Analisis Inrefensial
Analisis inferensial pada dasarnya menggunakan statistik inferensial yakni teknik
analisis data yang digunakan untuk menentukan sejauh mana kesesuaian antara hasil
yang diperoleh dari sampel dengan hasil dari populasi, sehingga dapat
digeneralisasikan. Statistik inferensial menstandarkan diri pada peluang (probability)
dan sampel yang dipilih secara acak (random).
Statistik inferensial dapat dibedakan menjadi statistic parametric dan non
parametric.Statistik parametric digunakan untuk menganalisis data skala interval dan
rasio dari populasi yang berdistribusi normal. Sedangkan statistic non parametric
digunakan untuk menganalisis data skala nominal dan ordinal dari populasi yang bebas
distribusi. Statistik inferensial membutuhkan hipotesis.
Dewasa 44(100%)
Total 31 (39,2%) 48(60,8%) 79
(100%)
Dari tabel di atas menunjukkan bahwa responden berumur dewasa muda lebih patuh berobat
TB (80%) dibandingkan dengan responden dewasa (45,8%). Sehingga secara presentase
dapat disimpulkan bahwa ada hubungan antara umur dengan kepatuhan berobat.
Hasil uji statistic menunjukkan bahwa nilai p< 0,005 hal ini terbukti bahwa umur berhubungan
secara bermakna dengan kepatuhan berobat.
Dari analisis keeratan hubungan menunjukkan nilai ODD Ratio (OR) 3,08 yang berarti bahwa
responden yang berumur dewasa muda mempunyai peluang 3,08 kali patuh berobat
dibandingkan dengan responden yang berumur lebih tua.
Anova
Regresi
Adalah suatu teknik statistik yang memungkinkan penyelidikan menilai probabilitas memperoleh
perbedaan frekuensi yang nyata (yang diobservasi) dengan frekuensi yang diharapkan dalam
kategori –kategori tertentu sebagai akibat dari kesalahan sampling.
Chi kuadrat adalah alat untuk mengadakan estimasi. Digunakan untuk menaksir apakah ada
perbedaan yang signifikan antara frekuensi yang diobservasi dengan frekuensi yang di
harapkan dalam populasi. Frekuensi yang diharapkan dalam populasi ini disebut juga frekuensi
hipotetik karena digunakan sebagai alat hipotesis yang akan diuji dengan frekuensi yang
diperoleh dari sampel. Oleh karena itu chi kuadrat sebagai alat estimasi berkedudukan juga
sebagai alat pengetes hipotesis.
Chi kuadrat sebagai alat mengetes signifikan korelasi antara dua factor atau lebih.
2) T test
adalah salah satu metode pengujian hipotesis dimana data yang digunakan tidak bebas
(berpasangan). Ciri-ciri yang paling sering ditemui pada kasus yang berpasangan adalah satu
individu (objek penelitian) dikenai 2 buah perlakuan yang berbeda. Walaupun menggunakan
individu yang sama, peneliti tetap memperoleh 2 macam data sampel, yaitu datadari perlakuan
pertama dan data dari perlakuan kedua. Perlakuan pertama mungkin saja berupa kontrol, yaitu
tidak memberikan perlakuan sama sekali terhadap objek penelitian. Misal pada penelitian
mengenai efektivitas suatu obat tertentu, perlakuan pertama, peneliti menerapkan kontrol,
sedangkan pada perlakuan kedua, barulah objek penelitian dikenai suatu tindakan tertentu,
misal pemberian obat.
Independen T Test
adalah uji komparatif atau uji beda untuk mengetahui adakah perbedaan mean atau rerata yang
bermakna antara 2 kelompok bebas yang berskala data interval/rasio. Dua kelompok bebas
yang dimaksud di sini adalah dua kelompok yang tidak berpasangan, artinya sumber data
berasal dari subjek yang berbeda. Misal Kelompok Kelas A dan Kelompok kelas B, di mana
responden dalam kelas A dan kelas B adalah 2 kelompok yang subjeknya berbeda. Bandingkan
dengan nilai pretest dan posttest pada kelas A, di mana nilai pretest dan posttest berasal dari
subjek yang sama atau disebut dengan data berpasangan. Apabila menemui kasus yang data
berpasangan, maka uji beda yang tepat adalah uji paired t test.
Anova (analysis of varian) digunakan untuk menguji perbedaan mean (rata-rata) data lebih dari
dua kelompok. Misalnya kita ingin mengetahui apakah ada perbedaan rata-rata lama hari
dirawat antara pasien kelas VIP, I, II, dan kelas III
3. Masing-masing contoh saling bebas, yang harus dapat diatur dengan perancangan percobaan
yang tepat
4) Korelasi
Teknik Korelasi ini digunakan untuk mencari hubungan dua variabel dengan data kedua
variabel berskala interval atau rasio. Koefisien korelasi mempunyai nilai -1 ≤ r ≤ 1. Koefisien r
melambangkan estimasi untuk sampel, sedangkan koefisien ρ mewakili korelasi populasi.
Koefisien korelasi menunjukkan besar dan arah dari hubungan. Arah menunjukkan pada kita
apakah nilai-nilai yang besar pada sebuah variabel berkorelasi dengan nilai-nilai besar pada
variabel yang lain (dan nilai-nilai yang kecil dengan nilai-nilai yang kecil). Apabila nilai-nilai
berkorelasi dengan cara demikian maka kedua variabel mempunyai hubungan positif. Apabila
satu variabel naik maka yang lain juga akan ikut naik.
5) Regresi sederhana
Analisis regresi linear sederhana adalah hubungan secara linear antara satu variabel
independen (X) dengan variabel dependen (Y). Analisis ini untuk mengetahui arah hubungan
antara variabel independen dengan variabel dependen apakah posiutif atau negatif dan untuk
memprediksi nilai dari variabel dependen apabila nilai variabel independen mengalami kenaikan
atau penurunan. Data yang digunakan biasanya berskala interval atau rasio. Rumus regresi
linear sederhana sebagai berikut:
Y’ = a + b X
Di mana:
X = Variabel independen
Analisis bivariate hanya akan menghasilkan hubungan antara dua variabel yang bersangkutan (
variabel independen dengan variabel dependen). Untuk mengetahui hubungan lebih dari satu
variabel independen terhadap satu variabel dependen, harus dilanjutkan lagi dengan
melakukan analisis multivariat. Analisis statistik multivariat merupakan metode statistik yang
memungkinkan kita melakukan penelitian terhadap lebih dari dua variable secara bersamaan.
Dengan menggunakan teknik analisis ini maka kita dapat menganalisis pengaruh beberapa
variable terhadap variabel – (variable) lainnya dalam waktu yang bersamaan.
Dalam analisis multivariate dilakukan berbagai langkah pembuatan model. Model terakhir terjadi
apabila semua variabel independendengan dependen sudah tidak mempunyai nilai p.0,05.
Contoh :
- Responden yang mempunyai pengetahuan tinggi berpeluang 19,03 kali patuh berobat
dibandingkan dengan responden yang berpengetahuan rendah
- Responden yang berumur muda berpeluang 11,747 kali patuh patuh berobat dibandingkan
dengan responden yang berumur lebih tua
- Responden yang berpendidikan tinggi berpeluang 13,804 kali patuh berobat dibandingkan
dengan responden yang berpendidikan rendah.
Dari ketiga variabel independen tersebut maka variabel pengetahuan adalah variabel yang
paling dominan berhubungan dengan kepatuhan berobat dengan OR 19,305.
Hal ini berarti bahwa responden yang mempunyai pengetahuan TB yang tinggi berpeluang 19
kali untuk patuh berobat dibandingkan dengan responden yang berpengetahuan TB yang
rendah, setelah dikontrol variabel pendidikan dan umur.
Klasifikasi Teknik-Teknik Analisis Multivariat
Teknik analisis multivariat secara dasar diklasifikasi menjadi dua, yaitu analisis dependensi dan
analisis interdependensi.
Metode dependensi diklasifikasikan didasarkan pada jumlah variable tergantung, misalnya satu
atau lebih dan skala pengukuran bersifat metrik atau non metrik. Jika variable tergantung
hanya satu dan pengukurannya bersifat metrik, maka teknik analisisnya digunakan analisis
regresi berganda. Jika variable tergantung hanya satu dan pengukurannya bersifat non-metrik,
maka teknik analisisnya digunakan analisis diskriminan. Jika variable tergantung lebih dari satu
dan pengukurannya bersifat metrik, maka teknik analisisnya digunakan analisis multivariate
varian. Jika variable tergantung lebih dari satu dan pengukurannya bersifat non-metrik, maka
teknik analisisnya digunakan analisis conjoint. Jika variable tergantung dan bebas lebih dari
satu dan pengukurannya bersifat metrik atau non metrik, maka teknik analisisnya digunakan
analisis korelasi kanonikal.
Yang dimaksud dengan analisis regresi linear berganda ialah suatu analisis asosiasi yang
digunakan secara bersamaan untuk meneliti pengaruh dua atau lebih variable bebas terhadap
satu variable tergantung dengan skala interval. Pada dasarnya teknik analisis ini merupakan
kepanjangan dari teknik analisis regresi linear sederhana. Untuk menggunakan teknik analisis
ini syarat-syarat yang harus dipenuhi diantaranya ialah:
Hubungan antar variable bersifat linier. Artinya semua variable bebas mempengaruhi variable
tergantung. Pengertian ini secara teknis disebut bersifat rekursif, maksudnya pengaruh bersifat
searah dari variable-variabel X ke Y Tidak boleh terjadi sebaliknya atau juga saling berpengaruh
secara timbal balik (reciprocal).
Tidak boleh terjadi multikolinieritas. Artinya sesama variable bebas tidak boleh berkorelasi
terlalu tinggi, misalnya 0,9 atau terlalu rendah, misalnya 0,01.
Tidak boleh terjadi otokorelasi. Akan terjadi otokorelasi jika angka Durbin dan Watson sebesar
< 1 atau > 3 dengan skala 1 – 4.
Jika ingin menguji keselarasan model (goodness of fit), maka dipergunakan simpangan baku
kesalahan. Untuk kriterianya digunakan dengan melihat angka Standard Error of Estimate
(SEE) dibandingkan dengan nilai simpangan baku (Standard Deviation). Jika angka Standard
Error of Estimate (SEE) < simpangan baku (Standard Deviation), maka model dianggap
selaras.
Kelayakan model regresi diukur dengan menggunakan nilai signifikansi. Model regresi layak
dan dapat dipergunakan jika angka signifikansi lebih kecil dari 0,05 (dengan presisi 5%) atau
0,01 (dengan presisi 1%)
Yang dimaksud dengan analisis diskriminan ialah suatu teknik statistik yang yang
digunakan untuk memprediksi probabilitas obyek-obyek yang menjadi milik dua atau lebih
kategori yang benar-benar berbeda yang terdapat dalam satu variable tergantung didasarkan
pada beberapa variable bebas.
Analisis diskriminan digunakan untuk membuat satu model prediksi keanggotaan kelompok
didasarkan pada karakteristik-karakteristik yang diobservasi untuk masing-masing kasus.
Prosedur ini akan menghasilkan fungsi diskriminan yang didasarkan pada kombinasi-kombinasi
linier yang berasal dari variabel-variabel prediktor atau bebas yang dapat menghasilkan
perbedaan paling baik antara kelompok-kelompok yang dianalisis. Semua fungsi dibuat dari
sampel semua kasus bagi keanggotaan kelompok yang sudah diketahui. Fungsi-fungsi tersebut
dapat diaplikasikan untuk kasus-kasus baru yang mempunyai pengukuran untuk semua
variabel bebas tetapi mempunyai keanggotaan kelompok yang belum diketahui.
Tujuan utama menggunakan analisis diskriminan ialah melihat kombinasi linier. Artinya untuk
mempelajari arah perbedaan-perbedaan yang terdapat dalam suatu kelompok sehingga
diketemukan adanya kombinasi linier dalam semua variable bebas. Kombinasi linier ini terlihat
dalam fungsi diskriminan, yaitu perbedaan-perbedaan dalam rata-rata kelompok. Jika
menggunakan teknik ini, pada praktiknya peneliti mempunyai tugas pokok untuk menurunkan
koefesien-koefesien fungsi diskriminan (garis lurus).
Untuk menggunakan teknik analisis ini syarat-syarat yang harus dipenuhi diantaranya ialah:
Variabel tergantung hanya satu dan bersifat non-metrik, artinya data harus kategorikal dan
berskala nominal.
Variabel bebas terdiri lebih dari dua variable dan berskala interval.
Semua variabel prediktor sebaiknya mempunyai distribusi normal multivariat, dan matrices
variance-covariance dalam kelompok harus sama untuk semua kelompok
Tujuan analisis ini ialah peneliti ingin mengetahui bagaimana beberapa karakteristik
personalitas tersebut mempengaruhi perilaku berbelanja, misalnya pembuatan daftar belanja,
jumlah toko yang dikunjungi, dan frekuensi belanja dalam satu minggu.
Untuk menggunakan teknik analisis ini syarat-syarat yang harus dipenuhi diantaranya ialah:
Variabel bebas terdiri dari lebih dari dua variable yang berskala interval.
Variabel tergantung terdiri dari lebih dari dua variable yang berskala interval.
Hubungan antar variabel bebas dan tergantung bersifat linier. Artinya semua variabel bebas
mempengaruhi secara searah terhadap semua variable tergantung, misalnya korelasi antara
variable-variabel bebas personalitas yang digunakan sebagai predictor dengan variable-variabel
tergantung yang digunakan sebagai kriteria bersifat searah. Jika nilai variabel variable
personalitas besar, maka nilai variable-variabel perilaku berbelanja harus besar juga. Jika
terjadi variabel variable personalitas besar bernilai besar sedang nilai variable-variabel perilaku
berbelanja menjadi mengecil, maka hal ini berlawanan dengan asumsi linieritas. Tidak boleh
terjadi multikolinieritas pada masing-masing kelompok variabel bebas dan variabel tergantung
yang akan dikorelasikan.
Manova mempunyai pengertian sebagai suatu teknik statistik yang digunakan untuk
menghitung pengujian signifikansi perbedaan rata-rata secara bersamaan antara kelompok
untuk dua atau lebih variable tergantung. Teknik ini bermanfaat untuk menganalisis variable-
variabel tergantung lebih dari dua yang berskala interval atau rasio.
Dalam SPSS prosedur MANOVA disebut juga GLM Multivariat digunakan untuk
menghitung analisis regresi dan varians untuk variabel tergantung lebih dari satu dengan
menggunakan satu atau lebih variabel faktor atau covariates. Variabel - variabel faktor
digunakan untuk membagi populasi kedalam kelompok-kelompok. Dengan menggunakan
prosedur general linear model ini, kita dapat melakukan uji H0 mengenai pengaruh variabel-
variabel faktor terhadap rata-rata berbagai kelompok distribusi gabungan semua variabel
tergantung. Kita dapat meneliti interakasi antara faktor-faktor dan efek dari faktor-faktor individu.
Lebih lanjut, efek-efek covariates dan interaksi antar covariate dengan semua faktor dapat
dimasukkan. Dalam analisis regresi, variabel bebas atau predictor dispesifikasi sebagai
covariates
Sebagai contoh: Suatu perusahaan plastik mengukur tiga ciri khusus filem plastik: daya
tahan tidak sobek, kehalusan, dan kapasitas. Dua tingkat ekstrusi dan dua zat aditif yang
berbeda diujicobakan. Kemudian ketiga karakteristik tersebut diukur dengan menggunakan
kombinasi tingkatan ekstrusi dan jumlah aditif masing-masing. Penelitian menemukan bahwa
tingkat ekstrusi dan jumlah zat aditif masing-masing memberikan hasil yang signifikan, tetapi
interaksi kedua faktor tidak signifikan.
Untuk semua variabel tergantung, data diambil dengan cara random sample dari vektor-vektor
populasi normal multivariate dalam suatu populasi, dan untuk matrik-matrik variance-
covariance untuk semua sel sama
Untuk menggunakan prosedur GLM gunakan prosedur Explore untuk memeriksa data sebelum
melakukan analisis variance. Untuk satu variabel tergantung gunakanlah, prosedur GLM
Univariate. Jika kita mengukur beberapa variabel tergantung yang sama pada beberapa
kesempatan untuk masing-masing subyek, maka gunakanlah GLM Repeated Measures.
Pada bagian analisis interdependensi ini, terdapat tiga teknik analisis yang meliputi analisis
faktor, analisis kluster, dan multidimensional scaling.
(1) Analisis Faktor (Factor Analysis)
Analisis faktor merupakan salah satu teknik saling ketergantungan yakni teknik perhitungan
tertentu yang bertujuan untuk mengurangi jumlah variabel sampai pada jumlah yang dapat
diolah dan memiliki karakteristik pengukuran yang tumpang tindih.
Adalah serangkaian teknik untuk mengelompokkan obyek atau orang yang sejenis. Pla-pola
dalam suatu kluster akan memiliki kesamaan ciri/sifat daripada pola-pola dalam anggota
klusteryang lainnya. Analisis kluster mengkalsifikasikan objek sehingga setiap objek yang
paling dekatkesamaannya dengan objek lain berada dalam kluster yang sama.