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
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
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).
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
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)