PENDAHULUAN

1.1 Pengertian Analisis Multivariat

Sangat jarang penelitian yang hanya melibatkan satu variable, dan sebaliknya hamper
semua penelitian melibatkan lebih dari satu variabel (multi variabel). Namun demikian tidak
semua penelitian yang melibatkan multivariable dianalisis dengan Analisis Multivariat. Pada
bagian ini diberikan sedikit gambaran tentang analisis multivariat. Analisis multivariat sering
juga disebut dengan analisis peubah ganda, di dalam Bahasa Inggris disebut dengan
Multivariate Analysis.
Pengukuran terhadap suatu variabel penelitian (untuk mendapatkan data) pada
hakekatnya mengukur karakteristik atau sifat-sifat populasi. Dengan merujuk pada pengertian
tersebut, maka karakteristik populasi yang ingin diselidiki harus diketahui secara
komprehensif. Oleh karena itu, variabel yang diamati di dalam suatu penelitian umumnya
lebih dari satu (multivariabel) dan sangat jarang penelitian yang hanya mengamati variabel
tunggal.
Penelitian yang melibatkan multi variabel layak dilakukan analisis multivariat jika
variabel-variabel tersebut diamati secara bersamaan atau bersama-sama. Jika pengamatan
vaiabel-variabel penelitian tidak dilakukan secara bersama-sama, maka analisis yang tepat
adalah analisis univariat. Hal ini berlaku walaupun penelitian tersebut melibatkan
multivariabel.
Ciri kedua dari analisis multivariat adalah data yang diperoleh dari pengamatan yang
demikian seyogyanya dianalisis secara simultan. Metode statistika yang analisisnya
melibatkan multivariabel secara simultan tercakup di dalam analisis multivariat (multivariate
analysis).
Analisis data dilakukan secara simultan pada penelitian yang variabel-variabelnya
bersifat saling berhubungan, baik secara teoretis maupun secara empiris. Sehingga di dalam
proses analisis multivariat, hubungan antar variabel tersebut sudah dimasukkan di dalam
peorses perhitungan. Walaupun melibatkan multivariabel, namun jika antar variabel tidak
saling berhubungan, maka hasil analisis multivariat akan sama dengan analisis univariat.
Demi kesederhanaan dalam proses analisis dan interpretasi, maka analisis univariat lebih
disenangi.
Ciri ketiga dari analisis multivariat adalah interpretasi terhadap hasil analisis
dilakukan secara komprehensif. Interpretasi secara komprehensif ini selaras dengan sifat
bahwa di dalam analisis multivariat sudah mempertimbangkan hubungan antar variabel.
Dengan demikian informasi yang diperoleh lebih lengkap dan lebih menyeluruh.
Ciri ketiga ini, sangat terkait dengan tujuan dari pengguna statistika, apakah ingin
mendapatkan informasi secara komprehensif atau parsial. Masih cukup banyak didapati,
bahwa variabel-variabel yang dianalisis saling berhubungan dan informasi komprehensif lebih
baik, namun peneliti (pengguna statistika) masih melakukan analisis secara parsial. Mereka
melakukan analisis univariat dengan informasi bersifat parsial, hal ini salah satunya
kekurangpahaman peneliti tentang analisis multivariat. Buku ini diharapka dapat membantu
berkontribusi menjadikan para mahasiswa, dosen dan peneliti menjadi lebih melek statistika,
khususnya statistika multivariat.
Analisis multivariat dapat didefinisikan sebagai penggunaan metode statistika yang
berkaitan dengan beberapa variabel yang pengukurannya dilakukan secara bebarengan dari
setiap obyek penelitian, dengan proses analisis secara simultan dan pelaksanaan interpretasi
secara komprehensif. Jadi kunci penting dari definisi tersebut adalah bahwa penelitian dengan
multivariabel yang di dalamya terdapat hubungan-hubungan, sehingga proses analisis harus
dilakukan secara simultan.
 2

1.2 Data Input Analisis Multivariat

Analisis multivariat melibatkan banyak variabel, sehingga data yang dianalisis
berdimesi besar. Mengingat data berdimensi besar, maka untuk kemudahan proses
perhitungan secara umum pendekatan perhitungan pada analisis multivariat menggunakan
pendekatan matriks. Dengan demikian, bagi yang ingin mendalami analisis multivariat
diharuskan mengetahui tentang beberapa hal yang berkaitan dengan matriks, misalnya
minimal harus memahami tentang determinan matriks, pangkat matriks, matriks kebalikan,
eigen value dan eigen vector.
Analisis multivariat yang melibatkan banyak variabel, dimungkinkan memiliki data
dengan karakteristik sebagai berikut:
(1) Memiliki unit satuan berbeda-beda, misal ada yang dalam satuan rupiah, persen, dan
proporsi.
(2) Memiliki momen yang bervariasi. Di dalam statistika momen I antara lain berupa
rata-rata (aritmatic mean) dan momen II adalah ragam (variance).
Misal terdapat data tentang perbankan, di mana variabel yang diteliti adalah CAR, Modal Inti
dan Credit Risk. Dalam hal ini, Car dan Credit Risk dalam satuan proporsi, sedangkan Modal
Inti dalam satuan rupiah (juta Rp)

Tabel 1.1 Contoh Data Perbankan

CREDIT
No CAR MODAL INTI
RISK
1 0.150 269751 8.82
2 0.126 556278 4.34
3 0.293 541343 1.03
4 0.135 25920836 0.6
5 0.118 2489205 3.22
6 0.186 26349 4.28
7 0.128 488706 0.67
8 0.138 27673231 2.78
9 0.167 5653536 3.26
10 0.112 618612 24.8
Mean 0.155 6423784.70 5.00
Std 0.050 10875576.29 7.24

Data tersebut memiliki unit satuan berbeda dan juga memiliki momen yang bervariasi.
CAR memiliki rata-rata pecahan (0,155), Modal Inti puluhan juta (64 237 784,70) dan
Credit Risk memiliki rata-rata dalam satuan (5,00). Demikian halnya dengan nilai ragam
(standart deviasi) juga sangat beragam.

Secara umum input dari analisis multivariat adalah berupa matriks, bisa matriks ragam
peragam (variance covariance matrix, S) atau matriks korelasi (correlation matrix, R).
Matriks ragam-peragam dari data tersebut adalah sebagai berikut.
 3

CREDIT
CAR MODAL INTI RISK
0.003
S= -101779.245 118278159635972.000
-0.135 -22837438.628 52.349

Matriks korelasinya (koefisien korelasi Product Moment) adalah sebagai berikut.

MODAL CREDIT
CAR INTI RISK
1
R= -0.194 1
-0.327 -0.290 1

Transformasi data yang sering digunakan untuk penyeragamaan rata-rata dan ragam
serta penyamaan unit satuan adalah standardize. Bentuk transfomasi tersebut adalah
sebagai berikut:
x X
Zi  i ; di mana s 

xi  X 
2

; n = besar sampel
s n 1
Rumus tersebut menunjukkan bahwa jika variabel X dalam satuan rupia, maka pembilang
dan penyebutnya sama-sama memiliki satuan rupiah, sehingga dana Zi tidak memiliki
satuan. Dengan demikian, bilamana terdapa beberapa variabel yang unit satuannya
berbeda-beda dan ditransformasi standardize, maka semua variabel memiliki satuan sama.

Data standardize ini juga memiliki ciri bahwa nilai rata-rata = 0 dan ragam = 1, dengan
rentang berkisar -3,5 sampai +3,5. Data standardize juga mengikuti distribusi normal,
dan mengingat nilai tengah (rata-rata) dan ragam masing-masing diubah menjadi angka
baku 0 dan 1, maka data ini sering disebut dengan berdistribusi normal baku ( X  N (0,1)
).

Aplikasi rumus transformasi tersebut pada data Tabel 2.1 dan variabel CAR dilambangkan
dengan X1 adalah sebagai berikut. Untuk variabel X1 pengamatan pertama (x11 = 0,150),
dengan X 1 =0,155 dan s = 0,050, maka data standardize adalah
0,150  0.155
Z1   0,099  0,10
0,050
untuk pengamatan kedua adalah
0,126  0.155
Z1   0,549
0,050
Perhitungan data standardize menggunakan software SPSS, untuk data pada Tabel 2.1
hasilnya disajikan pada Tabel 2.2 sebagai berikut.
 4

Tabel 1.2 Data Standardize

Z_MODAL Z_CREDIT
No Z_CAR
INTI RISK
1 -0.09928 -0.56586 0.47545
2 -0.54884 -0.53951 -0.14374
3 2.57935 -0.54089 -0.60123
4 -0.38025 1.79274 -0.66066
5 -0.69869 -0.36178 -0.29854
6 0.57506 -0.58824 -0.15203
7 -0.51137 -0.54573 -0.65098
8 -0.32406 1.95387 -0.35935
9 0.21916 -0.07082 -0.29301
10 -0.81108 -0.53378 2.68409
Mean 0 0 0
Std 1 1 1

Data standardize pada Tabel 2.2 menunjukkan bahwa sudah memiliki momen yang
seragam dan bahkan sama. Semua variabel memiliki rata-rata = 0 dan ragam = 1 (standart
deviasi = 1). Matriks raram peragam dari data yang sudah ditransformasi standardize
pada Tabel 2.2 adalah sebagai berikut.

Z_MODAL Z_CREDIT
Z_CAR INTI RISK
1
S= -0.194 1
-0.327 -0.290 1

Matriks ragam peragam data standardize tersebut adalah sama dengan matriks korelasi
data mentah (Tabel 2.1), sebagai berikut:

MODAL CREDIT
CAR INTI RISK
1.000
R= -0.194 1.000
-0.327 -0.290 1.000

Dengan demikian jika input dari analisis multivariat adalah matriks ragam peragam, maka
yang dianalisis adalah data mentah (seperti pada Tabel 1.1). Sedangkan jika inputnya matriks
korelasi, berarti yang dianalisis adalah data standardize atau data normal baku (seperti pada
Tabel 1.2).

1.3 Klasifikasi Analisis Multivariat

Klasifikasi atau struktur dari analisis multivariate dapat ditinjau dari berbagai hal,
misalnya berdasarkan keterkaitannya dengan permasalahan penelitian dan jenis data.
Klasifiksai ini juga dapat ditinjau dari pola hubungan antar variabel, obyek atau responden
(case). Di sisi lain, penelitian dapat menemukan pengertian atau menghasilkan penerimaan
tentatif terhadap fenomena tertentu. Pengertian dan penerimaan ini dapat ditempuh melalui
proses nalar berdasarkan identifikasi, komparasi dan asosiasi dari variabel penelitian. Oleh
 5

karena itu, secara garis besar analisis multivariat juga dapat diklasifikasikan menjadi: (1)
Penilaian (identifikasi, eksplorasi dan deskripsi), (2) Pembandingan (komparasi), dan (3)
Hubungan (korelasional) antar variabel. Kemudian menghasilkan klasifikasi analisis
multivariat menjadi analisis dependensi dan interdependensi (Gambar 1.1).
Analisis interdependensi meliputi analisis identifikasi atau eksplorasi dan deskripsi.
Pada jenis analisis ini tidak dikenal jenis variabel penjelas dan terikat atau eksogen dan
endogen. Karena di dalam analisinya tidak melibatkan kausalitas dan hanya melibatkan
saling hubungan antar variabel atau kemiripan antar obyek. Kemiripian antar obyek juga
didasarkan pada hubungan antar variabel.
Analisis Faktor (factor analysis) dan Analisis komponen utama (principle component
analysis; PCA) merupakan analisis identifikasi atau eksplorasi suatu konstruk, bisa berupa
indikator, atau deminsi atau vaiabel. Analisis faktor yang dimaksdukan untuk ini dinamakan
Analisis Faktor Eksploratori (Exploratory Factor Analysis; EFA). Di dalam kegiatan
eksplorasi ini juga terdapat upaya reduksi banyak faktor atau komponen, sehingga selain
mempermudah interpretasi juga dapat mengurangi (reduksi) dimensi data.
Analisis komponen utama juga dapat berperan sebagai analisis untuk transformasi
data, yaitu jika antar variabel terjadi saling korelasi (multikolinieritas) menjadi variabel baru
(kompnen) yang dijamin saling bebas (tidak disifati multikolinieritas). Misalnya pada analisis
regresi dan analisis cluster (jarak euklid) memerlukan asumsi tidak disifati multikolinieritas,
maka analisis komponen utama dapat digunakan sebagai metode transformasi. Pada kegiatan
transformasi data ini tentunya tidak diperlukan reduksi dengan memasukkan komponen yang
bermakna saja, tetapi semua komponen sebaiknya dimasukkan ke dalam model, agar tidak
ada keragaman data (informasi) yang hilang (terbuang).
Analisis pemetaan (mapping) dapat dilakukan dengan analisis Cluster, Biplot
(kelanjutan dari PCA), Multidimentional Scalling (MDS), dan Analisis Korespondensi.
Pemetaan ini bisa bersifat penggerombolan saja dan atau penempatan obyek pada suatu posisi
tertentu.
Pemetaan menggunakan analisis Cluster akan diperoleh gambaran tentang grup-grup
(gerombol) obyek dengan karakteristik semirip mungkin dan antar grup sangat berbeda.
Aplikasi yang sering dilakukan adalah pada manajemen pemasaran untuk melakukan
segmentasi pasar.
Analisis Biplot, MDS dan Analisis korespondensi pemetaannya sudah dilengkapi
keragaan dalam bentuk grafik, sehingga disamping bisa melakukan penggerombolan
(pengelompokan, grouping), juga dapat diketahui posisi masing-masing grup. Analisis ini di
dalam manejemen pemasaran biasanya digunakan untuk menganalisis positioning produk atau
brand. Perbedaan yang agak prinsip antara MDS dengan Analisis Korespondensi adalah jenis
data. Pada MDS input data berupa ukuran kemiripan antar obyek, sedangkan pada Analisis
Korespondensi adalah berupa tabel frekuensi.
 Apa tipe hubungan
yang akan diteliti

Dependensi InterDependensi

Struktur
Berapa Variabel
Hubungan APA
yang terlibat

Variabel Cases Similarity

Multi hubungan pd bbrp variabel Bbrp variabel dependen pd Satu variabel dependen pd similarity
dependen dan independen satu hubungan satu hubungan

Principle Factor Cluster

Latent Manifes
Apa Skala Ukur Apa Skala Component Analysisis Analysisis
Var Dependen Ukur Var Analysisis
s
APA skala ukur Data
Biplot Analysis dan Similaritasnya
Path Sistem Pers
Metrik NonMetrik Metrik NonMetri
A. Simultan k
PLS SEM Apa Skala Ukur Korelasi Kanonik Analisis Metrik & Nonmetrik NonMetrik
Var Independen dg Var Dummy Analisis Object Similarity Category Similarity
Regresi
Diskriminan
Berganda
GSCA - Logistik Multidimentional Correspondence
Metrik NonMetrik - Logit Scalling Analysis

Analisis - Probit
WarpPLS
Analisis Korelasi Regresi Peubah T2 Hotelling, MANOVA, - LPM
Konjoin
Kanonik Ganda MANCOVA, Repeated - Gompit
Measurement, An. Profil - Tobit

Gambar 1.1 Klasifikasi Analisis Peubah Ganda (Hair et al., 2010; Malhotra, 1993; dimodifikasi)