Analisis Multivariat

Analisis multivariat adalah teknik yang digunakan untuk melihat hubungan antara
dua set variabel. Dua set variabel dapat terdiri dari:
(1) satu set variabel akibat (dependent variable) dengan satu set variabel prediktor
(independent variable);
(2) dua set variabel keseluruhan tanpa membedakan akibat dan prediktornya.

Analisis multivariat yang digunakan untuk menilai hubungan satu set variabel
akibat dengan satu set variabel prediktor disebut dengan metode dependensi. Analisis
multivariat yang digunakan untuk menilai dimensi struktur data, tanpa membedakan
akibat dan prediktor dikenal sebagai metode interdependensi.
Teknik analisis multivariat yang dipilih didasarkan pada:
(1) Skala variabel: numerik atau kategorik
(2) Membedakan variabel akibat dan prediktor, atau tidak membedakan.
(3) Melibatkan: satu variabel akibat, atau lebih dari satu variabel akibat

Metode dependensi digunakan untuk melihat secara simultan hubungan variabel

prediktor dengan variabel akibatnya.

X3

X2 X4

X1 X5
Y

Metode interdependensi digunakan untuk melihat dimensi struktur data

(underlying structure).

X4
X1 X2 X3
X5 X6
X9
X7 X8
X10 X11

1
 Analisis Multivariat

Metode Dependensi Metode Interdependensi

Satu variabel akibat Dua atau lebih variabel akibat

Numerik Kategorik Numerik Kategorik Numerik Kategorik

egresi linier Anova

Diskriminan
Ancova Regresi logistik Manova Kanonik PCA Nonmetric Multi-
FA Metric Dimensional Scaling
Cluster Log linier
Multi- Dimensional Scaling

Waktu

Regresi Cox

2
Pemodelan
Satu hal yang penting dalam analisis multivariat adalah bagaimana
memilih variabel independen sehingga terbentuklah sebuah model yang paling
sesuai menjelaskan/menggambarkan variabel dependen yang sesungguhnya
dalam populasi. Dalam pembuatan model seringkali dijumpai pandangan yang
kurang tepat yaitu memasukkan semua/sebanyak mungkin variabel independen
ke dalam model. Alasannya dengan memasukkan sebanyak mungkin variabel
independen ke dalam model maka variabel dependen diharapkan dapat
diprediksi/diestimasi dengan sempurna. Penambahan variabel independen tidak
selalu meningkatkan kemampuan prediksi/estimasi variabel independen
terhadap variabel dependen, sebab makin banyak variabel independen (lebih-
lebih variabel yang tidak relevan) mengakibatkan makin besarnya nilai standard
error. Di samping itu model dengan banyak variabel seringkali malah menyulitkan
dalam interpretasi.
Pada prinsipnya pemodelan dapat digunakan dalam dua hal:
a. model prediksi, dengan tujuan untuk memperoleh model yang terdiri dari
beberapa variabel independen yang dianggap terbaik untuk memprediksi
kejadian variabel dependen. Pada pemodelan ini semua variabel
independen dianggap penting. Bentuk kerangka konsepnya:
X1 X2 X3
Y

b. model estimasi, dengan tujuan mengestimasi secara valid hubungan satu

variabel independen utama dengan variabel dependen dengan
mengontrol beberapa variabel konfounding. Bentuk kerangka konsepnya:

X1 Y

X2 X3 X4

Langkah-langkah pemodelan
a. Lakukan analisis bivariat untuk menentukan variabel yang menjdai
kandidat model. Masing-masing variabel independen dihubungkan dengan
variabel dependen (analisis bivariat). Bila hasil uji pada analisis bivariat
mempunyai nilai p < 0,25 maka variabel tersebut masuk dalam model
multivariat.

3
b. Lakukan analisis secara bersamaan. Ada beberapa metode untuk
melakukan pemilihan variabel independen dalam analisis multivariat,
yaitu:
a. ENTER, memasukkan semua variabel independen dengan serentak
satu langkah, tanpa melewati kriteria kemaknaan statistik tertentu.
b. FORWARD, memasukkan satu per satu variabel independen hasil
pengkorelasian variabel dan memenuhi kriteria kemaknaan statistik
untuk masuk dalam model, sampai semua variabel yang memenuhi
kriteria tersebut masuk dalam model. Variabel yang masuk pertama
kali adalah variabel yang mempunyai nilai p paling kecil.
c. BACKWARD, memasukkan semua variabel ke dalam model tetapi
kemudian satu per satu variabel independen dikeluarkan dari model
berdasarkan kriteria kemaknaan statistik tertentu. Variabel yang
pertama kali dikeluarkan adalah variabel yang mempunyai nilai p
paling besar.
d. STEPWISE, merupakan kombinasi antara metode backward dan
forward. Dimulai dari tanpa variabel sama sekali di dalam model, lalu
satu per satu variabel dimasukkan ke dalam model dan dikeluarkan
dari model dengan kriteria tertentu.
e. REMOVE, mengeluarkan semua variabel independen dengan serentak
satu langkah tanpa melewati kriteria kemaknaan statistik tertentu.
c. Pengujian adanya kolinearitas. Kolinearitas terjadi bila antar variabel
independen terjadi saling hubungan yang kuat (r > 0,8).
d. Pengujian interaksi. Interaksi merupakan keadaan dimana hubungan
antara satu variabel independen dengan dependen berbeda menurut
tingkat variabel independen yang lain. Jika ditemukan adanya interaksi
antar variabel independen, maka nilai koefisien harus dilaporkan secara
terpisah menurut strata dari variabel tersebut.
e. Pemeriksaan konfounding, dengan cara mengeluarkan variabel
konfounding satu per satu dimulai dari variabel yang memiliki nilai p
terbesar. Bila setelah dikeluarkan diperoleh selisih koefisien antara
sebelum dan sesudah variabel konfounding dikeluarkan lebih besar dari
10% maka variabel tersebut dinyatakan sebagai konfounding dan harus
tetap dalam model.
Melakukan diagnostik regresi linier
a. Melakukan pengujian terhadap kelima asumsi.
b. Melakukan pengujian adanya kolinearitas. Kolinearitas terjadi bila antar
variabel independen terjadi saling hubungan yang kuat. Untuk
mengetahui dapat dilihat dari nilai koefisien korelasi r. Bila nilai r > 0,8
maka terjadi kolinearitas. Selain itu dapat diketahui dari nilai VIF atau
tolerance. Bila nilai VIF > 10 atau tolerance sekitar 1 maka model terjadi
kolinearitas.
c. Melakukan analisis interaksi. Setelah memperoleh model yang memuat
variabel-variabel penting, maka langkah selanjutnya adalah memeriksa
adanya interaksi antar variabel independen. Interaksi merupakan
keadaan dimana hubungan antara satu variabel independen dengan
dependen berbeda menurut tingkat variabel independen yang lain.
d. Penilaian reliabilitas model. Model regresi yang sudah terpilih perlu dicek
reliabilitasnya dengan cara membagi (split) sampel ke dalam dua
kelompok. Untuk masing-masing sampel dibuat model dengan variabel
yang sama, kemudian bandingkan antara model 1 dan model 2, bila
hasilnya sama/hampir sama maka model regresi reliabel. Bila model
reliabel maka seluruh sampel dapat digunakan untuk pembuatan model.
 ANALISIS REGRESI LINIER GANDA

Asumsi yang digunakan dalam regresi linier ganda disingkat dengan

HEILGauss, sebagai berikut:
a. Homocedasticity: varian nilai variabel Y sama untuk semua nilai X.
Homocedasticity dapat diketahui dengan melakukan pembuatan plot
residual. Bila titik sebaran tidak berpola tertentu dan menyebar merata di
sekitar garis titik nol residual maka dapat disebut varian homogen pada
setiap nilai X.
b. Eksistensi (variabel random): untuk setiap nilai variabel X, variabel Y
adalah variabel random yang mempunyai mean dan varian tertentu.
Asumsi ini berkaitan dengan teknik pengambilan sampel. Asumsi
eksistensi dilihat dari nilai variabel residual model, bila residual
menunjukkan adanya nilai mean dan sebaran maka asumsi terpenuhi.
c. Independensi: suatu keadaan dimana masing-masing nilai Y bebas satu
sama lain. Jadi nilai dari tiap-tiap individu saling berdiri sendiri. Asumsi
inidilihat dari nilai uji Durbin Watson, bila nilai Durbin Watson antara -2 s/d
+2 berarti asumsi independensi terpenuhi.
d. Liniaritas: nilai mean dari variabel Y untuk suatu kombinasi dari X1, X2,
..., Xk terletak pada garis/bidang linier yang dibentuk dari persamaan
regresi. Untuk mengetahui asumsi liniaritas dapat diketahui dari uji Anova
(overall F test). Bila hasilnya signifikan maka model berbentuk linier.
e. Gauss = normalitas: variabel Y mempunyai distribusi normal untuk setiap
pengamatan variabel X. Dapat diketahui dari Normal P-P Plot residual.
Bila data menyebar di sekitar garis diagonal dan mengikuti arah garis
diagonalnya, maka asumsi normalitas terpenuhi.