Oleh :
Nama : Mayang Elisabeth
NIM : BBA 118 035
Kelas : C/Manajemen
Dosen Pengampu:
Drs. Yoga Manurung, MM
Multivariate analysis adalah analisis yang dilakukan untuk menganalisis hubungan dari
dua variabel serta tiga atau lebih variabel terikat, seperti judul nya yaitu multi dimana
lebih dari satu. Sedangkan Univariate analysis adalah analisis yang dilakukan untuk satu
variabel atau per variabel serta dilakukan pada dua atau lebih variabel yang hanya
memiliki 1 variabel terikat.
Sama-sama melakukan analisis terhadap suatu variabel secara serentak dimana hasilnya
akan di masukan dalam tabel agar dapat diolah sedemikian rupa agar mendapatkan hasil
yang dapat diterima oleh akal dengan baik. Contohnya dengan melakukan analisis
terhadap “Distribusi Responden Berdasarkan Kepatuhan Berobat TB” dan “Hubungan
Antara Pengetahuan, Umur, Pendidikan Dengan Kepatuhan Berobat TB”.
Statistics 5
Missing Data :
1. Menentukan jenis (type) missing data adalah menentukan jenis data hilang yang
terlibat. Data yang hilang dapat diabaikan, yang berarti tidak ada solusi khusus karena
perubahan untuk data yang hilang melekat dalam Teknik yang digunakan.
2. Menentukan luas (extent) missing data, mengingat ada beberapa data yang hilang tidak
diabaikan selanjutnya peneliti harus memeriksa pola data yang hilang untuk variabel
individu, kasus individual, bahkan keseluruhan. Masalah utama dalam langkah proses ini
adalah menentukan apakah tingkat atau jumlah data yang hilang cukup rendah untuk
tidak mempengaruhi hasil, bahkan jika itu beroperasi secara non-acak.
4. Memilih metode imputasi, pada proses ini peneliti harus memilih pendekatan yang
digunakan untuk menampung data yang hilang dalam analisis. Keputusan ini di dasari
terutama pada apakah data yang hilang adalah MAR atau MCAR, tetapi dalam kedua
kasus peneliti memiliki beberapa opsi untuk imputasi. Imputasi sendiri adalah proses
memperkirakan nilai valid dari sebuah variabel lain atau kasus dalam sebuah sampel.
OUTLIERS
Outliers adalah data yang memiliki nilai sangat jauh dari nilai umumnya, atau dengan
kata lain memiliki nilai yang ekstrem. Adanya outliers ini dapat berpengaruh pada hasil
uji asumsi, seperti uji normalitas, lineraritas, maupun homogenitas varians. Lebih parah
lagi, outliers ini dapat berpengaruh pada pegambilan kesimpulan penelitian dari hasil uji
statistik. Sebagai ilustrasi, jika ada empat mahasiswa, mahasiswa pertama mempunyai
uang saku per bulan Rp. 500 ribu, mahasiswa kedua Rp. 600 ribu, mahasiswa ketiga Rp.
700 ribu, dan mahasiswa keempat karena merupakan anak orang kaya, mempunyai uang
saku per bulan sampai dengan Rp. 5 juta. Secara sekilas tampak bahwa nilai 5 juta relatif
jauh dibandingkan uang saku ketiga mahasiswa yang lain.
Outliers bisa terjadi karena kesalahan penginputan data, kesalahan pengambilan sampel,
subjek yang mengerjakan secara asal-asalan dan fakta di lapangan memang demikian.
Cara mendeteksi serta menangani outliers saya dapatkan dari internet (dengan
menggunakan SPSS), seperti berikut ini :
Deteksi Outlier
Langkah pertama adalah melakukan deteksi outlier. Dalam hal ini yang dideteksi adalah outlier
univariat dan multivariat sekaligus. Caranya kita harus melakukan uji regresi linear seperti
biasanya. Sederhananya perhatikan langkah berikut:
Buat dataset untuk regresi linear berganda seperti gambar di bawah ini.
Setelah itu lakukan regresi seperti cara berikut: Klik Analyze pada Menu -> Regression ->
Linear. Kemudian masukkan variabel yang akan dianalisis.
Klik tombol SAVE. Maka akan terbuka jendela seperti di bawah ini. Kemudian klik Studentized
dan Mahalanobis. Lalu tekan tombol Continue.
Jika sudah kembali ke jendela utama, klik OK. Selanjutnya lihat Output.
Anda dapat melihat bahwa pada output terdapat tabel Casewise Diagnostics, hal itu
menunjukkan bahwa terdapat observasi atau sampel dengan nilai absolut studentized residual
lebih dari 3. Maka observasi tersebut menjadi outlier.
Langkah terakhir di atas, hanya dapat mendeteksi adanya outlier univariat saja. Untuk
mendeteksi outlier univariat, maka anda harus melakukan langkah berikut: pada menu, klik
Transform -> Compute Variable. Jika jendela baru terbuka, ketikkan target variable: Probabilitas
Mahalanobis. Dan ketikkan kode ekspresi pada Numeric Expression sebagai
berikut: CDF.CHISQ(Mah,3). Penjelasan kode: Mah: Mahalanobis Distance. 3 adalah
banyaknya jumlah variabel bebas.
Mengatasi Outlier
Sebenarnya cara pertama yang kita lakukan adalah melakukan transformasi data untuk
mereduksi adanya outlier tersebut. Dalam hal ini kita coba untuk mengatasinya dengan cara
membuang outlier tersebut dari analisis regresi linear berganda, yaitu dengan langkah sebagai
berikut: Pada menu, klik Data -> Select Case -> Pilih if condition satisfied -> tekan tombol If.
Jika jendela baru terbuka, maka selanjutnya pada kolom isian ekspresi, ketikkan kode sebagai
berikut: Abs(SRE_1)<3 and Probabilitas Mahalanobis>0.001. Maksud kode: Abs: Absolut,
SRE_1: Studentized Residual.
Artinya kita akan membuang observasi yang mempunyai nilai absolut studentized residual lebih
dari 3 dan/atau probabilitas kurang dari 0.001. Kemudian tekan tombol Continue. Di jendela
utama tekan OK. Lihat pada dataset, ada tanda yang menunjukkan bahwa beberapa observasi
dikeluarkan dari analisis.