Ukuran-ukuran Asosiasi

Analisis Korelasi Dua Variabel

Analisis korelasi dua variabel berbeda dengan ukuran asosiasi nonparametrik

dan analisis regresi dalam dua hal penting, Korelasi nonparametrik memerlukan dua
variabel kontinyu yang diukur pada sebuah skala interval atau rasio. Kedua, koefisien
tidak membedakan antara variabel bebas dan tergantung.

1. Koefisien Momen Produk Pearson r

Koefisien korelasi produk momen pearson berbeda-beda berkisar
antara +1 sampai 0 ke -1. Tujuannya, r, menyimbolkan estimasi koefisien
akan asosiasi linier yang didasarkan pada sampling data. Koefisien p mewakili
korelasi populasi. Koefisien korelasi mengungkapkan besarnya dan arah
hubungan.
2. Plot Sebaran Untuk Mengeksplorasi Hubungan
Plot sebaran adalah penting untuk pemahaman hubungan antar
variabel. Mereka memberikan alat untuk periksaan data secara visual yang
tidak dapat dilakukan dengan serangkaian nilai untuk dua variabel. Baik arah
maupun bentuk hubungan diberikan dalam suatu plot.
3. Asumsi dari r
Seperti teknik parametrik lainnya, terdapat asumsi tertentu atas data
dalam korelasi. Asumsi-asumsi ini diperlukan untuk menguji hipotesis tentang
koefisien. Persyaratan pertama adalah linearitas. Dan kedua Asumsi dari
korelasi adalah distribusi normal dua variabel (bivariate normal distribution).
4. Perhitungan dan Pengujian

Rumus untuk menghitung r Pearson adalah sebagai berikut:

Σ( X −X )(Y −Y )
r=
(N −1) S S
r y

1
 Dimana: N adalah jumlah pasangan kasus, Sx,Sy adalah simpangan baku
untuk X dan Y.
5. Interpretasi Korelasi
Koefisien korelasi dari setiap besaran atau tanda, tanpa memperhitungkan
signifikansi statistiknya, tidak menyiratkan penyebab. Kenaikan keuntungan
bersih bisa menyebabkan peningkatan kinerja dalam siatuasi tertentu, namun
korelasi tidak memberikan bukti sebab akibat. Beberapa penjelasan alternatif
lain bisa diberikan untuk hasil korelasi, yaitu: (1) X menyebabkan Y, (2) Y
menyebabkan X, (3) X dan Y diaktifkan oleh satu atau lebih variabel lainnya,
(4) X dan Y saling mempengaruhi satu sama lain.

Regresi Linear Sederhana

1. Model Dasar
Garis lurus pada dasarnya merupakan cara terbaik untuk membuat
model hubungan antara dua variabel kontinyu. Regresi linier dua variabel bisa
dinyatakan sebagai berikut:
Y =β 0 + β1 X i
2. Model Kuadrat Terkecil
Model kuadrat terkecil mengijinkan kita untuk menemukan garis
regresi, atau garis yang paling sesuai, yang akan menjaga eror-eror tetap
minimum. Metode ini menggunakan kriteria meminimumkan total eror
kuadrat estimasi. Garis yang paling sesuai adalah garis yang meminimumkan
total eror prediksi.
3. Uji Godness of Fit
Dengan garis regresi yang diplot dan beberapa prediksi ilustratif,
selanjutnya mengumpulkan bukti goodness of fit, yaitu seberapa baik model
mencerminkan data. Uji yang paling penting dalam regresi linier dua variabel
adalah apakah lereng, 1, sama dengan nol.

2
 Ukuran Nonparametrik Asosiasi
1. Ukuran Nonparametrik Asosiasi
 Ukuran untuk Data Nominal
Ukuran nominal asosiasi digunakan untuk menilai kekuatan hubungan
dalam tabel kalsifikasi-silang. Ukuran-ukuran tersebut sering
digunakan dalam rangkaian dengan chi-square atau bisa didasarkan
pada pendekatan pengurangan eror proporsional.
 Ukuran untuk Data Ordinal
Ukuran untuk data ordinal meliputi gamma, kendall’s tau b dan tau c,
somers’s d, dan spearman’s rho. Seluruh ukuran, kecuali korelasi
peringkat-urutan spearman didasarkan pada konsep pasangan
konkordansi dan diskordansi.

Analisis Multivariabel: Sebuah Tinjauan

Analisis multivariabel sebagai “teknik stastistik yang berfokus pada, dan

menghasilkan bantuan yang jelas, atas struktur hubungan simultan antara tiga
fenomena atau lebih”.

Memilih Teknik Multi Variabel

Analisis multivariate digunakan jika suatu masalah dalam penelitian

mengandung tiga atau lebih dari tiga variable. Selanjutnya dalam analisis ini dibagi
menjadi dua kategori metode, yaitu metode dependensi dan interdepedensi. Model
pertama terdapat dua jenis variable, yaitu variable bebas dan tergantung; sedang
model kedua hanya terdapat satu jenis variable, yaitu variable bebas.Metode
dependensi terdiri atas beberapa teknik analisis, yaitu regresi berganda, analisis
diskriminan, korelasi kanonikal dan MANOVA dan Metode interdependensi terdiri
atas beberapa teknik analisis, yaitu analisis faktor, analisis kluster dan
multidimensional scaling.

3
Teknik Bergantung

1. Regresi Berganda
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:

 Data harus berskala interval.

 Variabel bebas terdiri lebih dari dua variabel.
 Variabel tergantung terdiri dari satu variabel..
 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.

4
  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%).
2. Analisis Diskriminan
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.
Lebih lanjut 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). Sebagai contoh: Jenis pelanggan kereta api secara umum dapat dibagi
dua, yaitu mereka yang menggunakan jasa kereta api eksekutif dan
bisnis/ekonomi. Untuk membuat klasifikasi ini prosedur analisis diskriman
dapat digunakan sehingga kita dapat mengetahui faktor-faktor yang

5
 berpengaruh terhadap pembuatan klasifikasi tersebut. Tujuan melakukan
klasifikasi tersebut ialah kita dapat mengetahui apakah pengelompokan
tersebut signifikan atau tidak. Artinya kelompok yang menggunakan jasa
kereta api eksekutif memang benar-benar berbeda dengan kelompok yang
menggunakan kelas bisnis / ekonomi.
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 variabel dan berskala interval.
 Semua kasus harus independent.
  Semua variabel prediktor sebaiknya mempunyai distribusi normal
multivariat, dan matrices variance-covariance  dalam kelompok harus
sama untuk semua kelompok.
  Keanggotaan kelompok diasumsikan ekseklusif, maksudnya tidak
satupun kasus yang termasuk dalam kelompok lebih dari satu.
dan exhaustive secara kolektif, maksudnya semua kasus merupakan
anggota satu kelompok.
3. Analsis Multivariat Varian (MANOVA)
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 variabel-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

6
 faktor terhadap rata-rata berbagai kelompok distribusi gabungan semua
variabel  tergantung.
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 menggunakan MANOVA beberapa persyaratan yang harus
dipenuhi ialah:
 Variabel tergantung harus dua atau lebih dengan skala interval
 Variabel bebas satu dengan menggunakan skala nominal.
 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.
4. Pemodelan Persamaan Struktural
Pemodelan persamaan struktural menyatakan sebuah struktur kovarians
diantara variabel-variabel yang diobservasi, dan oleh karena itu kadang-

7
 kadang disebut pemodelan struktur kovarians. Model ini adalah teknik
alternatif yang sangat kuat dibandingkan teknik multi variabel lain yang
terbatas hanya untuk menggambarkan hubungan tunggal antara variabel
bergantung dan variabel bebas.
5. Analisis Gabungan
Analisis gabungan biasanya menggunakan input dari variabel-variabel
bebas nonmetrik. Tujuan analisis ini adalah menjamin skor kegunaan
yang mewakili pentingnya masing-masing aspek sebuah produk atau jasa
dalam rating preferensi keseluruhan dari subyek. Skor kegunaan dihitung
dari ranking subyek atau rating dari sekumpulan kartu.

Teknik Antarketergantungan (Interdependency Techniques)

1. Analisis Faktor
Yang dimaksud dengan analisis faktor ialah suatu teknik analisis yang
digunakan untuk memahami yang mendasari dimensi-dimensi atau
regularitas suatu gejala. Tujuan utama teknik ini ialah untuk membuat
ringkasan informasi yang dikandung dalam sejumlah besar variabel kedalam
suatu kelompok faktor yang lebih kecil. Secara statistik tujuan pokok teknik
ini ialah untuk menentukan kombinasi linear variable-variabel yang akan
membantu dalam penyeledikan saling keterkaitannya variable-variabel
tersebut. Atau dengan kata lain digunakan untuk mengidentifikasi variabel-
variabel atau faktor-faktor yang menerangkan pola hubungan dalam
seperangkat variabel. Teknik ini bermanfaat untuk mengurangi jumlah data
dalam rangka untuk mengidentifikasi sebagian kecil faktor yang dapat
menerangkan varians yang sedang diteliti secara lebih jelas dalam suatu
kelompok variabel yang jumlahnya lebih besar.
Kegunaan utama analisis faktor ialah untuk melakukan pengurangan
data atau dengan kata lain melakukan peringkasan sejumlah variabel menjadi
lebih kecil jumlahnya. Pengurangan dilakukan dengan melihat
interdependensi beberapa variabel yang dapat dijadikan satu yang disebut

8
 dengan faktor sehingga  diketemukan variabel-variabel atau faktor-faktor
yang dominan atau penting untuk dianalisa lebih lanjut.Prosedur analisis
faktor juga dapat digunakan untuk membuat  hipotesis yang
mempertimbangkan mekanisme sebab akibat atau menyaring sejumlah
variabel untuk kemudian dilakukan analisis selanjutnya, misalnya
mengidentifikasi kolinearitas sebelum melakukan analisis regresi linear.
Dalam prosedur analisis faktor, terdapat tingkatan fleksibilitas tinggi,
diantaranya ialah:

 Tujuh metode untuk membuat ekstrasi faktor.

 Lima metode rotasi, diantaranya ialah direct oblimin dan promax untuk rotasi
non orthogonal.
 Tiga metode untuk menghitung nilai-nilai faktor dan kemudian faktor-faktor
tersebut dapat disimpan ke dalam file untuk dianalisis lebih lanjut.

Sebagai contoh dalam suatu penelitian, kita ingin mengetahui sikap-sikap apa
saja yang mendasari orang mau memberikan jawaban terhadap pertanyaan-
pertanyaan dalam suatu survei politik? Dari hasil penelitian didapatkan adanya
tumpang tindih yang signifikan antara berbagai sub-kelompok butir-butir pertanyaan,
misalnya pertanyaan-pertanyaan mengenai masalah perpajakan cenderung untuk
berkorelasi satu dengan lainnya, masalah militer saling berkorelasi, masalah ekonomi
juga demikian. Jika terjadi demikian, maka kita sebaiknya menyelesaikan persoalan
tersebut dengan menggunakan analisis faktor. Dengan teknik ini kita dapat
melakukan penyelidikan sejumlah faktor yang mendasarinya dan dapat
mengidentifikasi faktor-faktor   apa saja yang mewakilinya secara konseptual. Tidak
hanya itu, kita juga dapat menghitung nilai-nilai untuk masing-masing responden dan
kemudian dipergunakan untuk analisis selanjutnya. Sebagai contoh kita dapat
membuat model regresi logistik untuk memprediksi perilaku pemberian suara
didasarkan pada nilai-nilai faktor.

9
 Untuk menggunakan teknik ini persyaratan yang sebaiknya dipenuhi ialah:

 Data yang digunakan ialah data kuantitatif berskala interval atau ratio.

  Data harus mempunyai distribusi normal bivariate untuk masing-
masing pasangan variabel.
 Model ini mengkhususkan bahwa semua variabel ditentukan oleh
faktor-faktor biasa (faktor-faktor yang diestimasikan oleh model) dan
faktor-faktor unik (yang tidak tumpang tindih antara variabel-varaibel
yang sedang diobservasi).
 Estimasi yang dihitung didasarkan pada asumsi bahwa semua faktor
unik are tidak saling berkorelasi satu dengan lainnya dan dengan
faktor-faktor biasa.
 Persyaratan  dasar untuk melakukan penggabungan ialah besarnya
korelasi antar variabel independen setidak-tidaknya 0,5 karena prinsip
analisis faktor ialah adanya korelasi antar variabel.
2. Analisis Gugus
Analisis gugus merupakan suatu teknik analisis statistik yang  ditujukan
untuk membuat klasifikasi individu-individu atau obyek-obyek kedalam
kelompok-kelompok lebih kecil yang berbeda satu dengan yang lain. Prosedur
analisis gugus ini digunakan untuk mengidentifikasi kelompok kasus yang
secara relatif sama  yang didasarkan pada karakteristik-karakteristik yang
sudah dipilih dengan menggunakan algoritma yang dapat mengatur kasus
dalam jumlah besar.
3. Skala Multi Dimensi
Multidimensional scaling merupakan suatu teknik statistik yang
mengukur obyek-obyek dalam ruangan multidimensional didasarkan pada
penilaian responden mengenai kemiripan (similarity) obyek-obyek tersebut.
Perbedaan persepsi diantara semua obyek direfleksikan didalam jarak relatif
diantara obyek-obyek tersebut didalam suatu ruangan multidimensional.

10
Multidimensional scaling dapat juga diaplikasikan kedalam rating subyektif
dalam perbedaan (dissimilarity) antara obyek atau konsep.

11
 DAFTAR PUSTAKA

Cooper, Donald R. dan Schindler, Pamela S. 2006. Metode Riset Bisnis, Volume 2,
Edisi 9. Jakarta: PT Media Global Edukasi.

Modul PPJF Lippi,2019. Modul Analisis Data dan Interprestasi Hasil Penelitian.

12