DASAR ANALISIS

MULTIVARIATE

Oleh:
SRI MARYATI
 Obyek
Pengamatan Variabel
X4

Variabel Variabel Variabel Variabel

X1 X2 X3 Xn

Multi-Variabel

Metode analisis statistik yang melibatkan multi-variabel secara simultan

Analisis multivariate

MULTIVARIATE ANALYSIS
 PENGERTIAN
• Teknik Analisis Multivariat merupakan teknik
statistik yang menganalisis perbandingan atau
hubungan 2 variabel atau lebih.
• Menurut sifat dan tujuan penelitian digolongkan
menjadi: multivariat untuk komparasi dan
multivariat untuk korelasi.
• Uji X2 untuk kontingensi m x n, sedangkan
multivariat komparasi dipakai teknik Anova atau
Anakova dua jalur.
 Multivariate Analysis (MA):
Metode analisis yang berkenaan dengan sejumlah besar variabel yang datanya
diperoleh secara simultan dari setiap obyek pengataman

Hubungan-hubungan antar variabel

secara simultan
( = Analisis Peubah Ganda = APG)

Proses perhitungannya sangat kompleks

Dalam proses perhitungannya menggunakan

pendekatan matriks

Determinan Matriks, Pangkat Matriks,

Matriks Kebalikan, Eigen Value, Eigen Vector, dll.
 MATRIKS :
4 7 2
A = 2 5 6
9 3 7

Matriks Kovarians: Matriks yang unsur-unsurnya berupa varian (ragam) dan

kovarian (peragam) dari sekumpulan variabel. Lambangnya S.

Diagonalnya berupa varians (ragam) dari setiap variabel, sedangkan unsur lainnya
berupa kovarians (peragam) antar variabel. Matriks S bersifat simetris atau
setangkup

Matriks Korelasi: Matriks yang unsur-unsurnya berupa koefisien korelasi dari

sekumpulan variabel. Lambangnya R .
Diagonalnya berupa angka-angka 1, sedangkan unsur lainnya berupa koefisien
korelasi antar variabel
Matriks ini bersifat Simetris atau Setangkup
 MATRIKS :
EIGEN VALUE & EIGEN VECTOR

Misalnya adadua persamaan linear:

2 X1 + 5 X2 = 2
. 4 X1 + 10 X2 = 4
dalam bahasa matriks ditulis sbb: Ax = y

x= x1 y= 2 A= 2 5 A : matriks
x2 4 4 10 transformasi
linear

Jika A x =  x, dimana  adalah konstante, maka vektor jawab x

yang memenuhi hubungan ini untuk nilai x tertentu
disebut Eigen Vector (Vektor Ciri) dan  disebut
Eigen Value (Akar Ciri)

Kalau Matriks A bersifat simetris, maka akar ciri dari Aadalah riil dan memiliki
vektor ciri yang saling bebas (ortogonal)
KLASIFIKASI APG:

APG untuk analisis identifikasi, prediksi, eksplorasi, deskripsi:

1. Principle Component Analysis (PCA)
2. Factor Analysis
3. Cluster Analysis
4. MDS
5. Correspondence Analysis

APG untuk analisis pembandingan:

1. T2 Hotelling
2. MANOVA / MANCOVA
3. Cluster Analysis

APG untuk analisis hubungan antar variabel:

1. Analisis Regresi Peubah Ganda
2. Analisis Jalur (Path Analysis)
3. SEM (Structural Equation Modelling)
4. Korelasi Kanonik
5. Analisis Korespondensi
6. Multidimentional Scalling
7. Analisis Diskriminan
8. Logistic Model
9. Logit-Probit
KLASIFIKASI APG: berdasarkan Pola Ketergantungannya

APG untuk analisis Dependensi

Satu kelompok variabel dipengaruhi (atau bergantung, atau mempengaruhi)
kelompok variabel lainnya.
1. Banyak hubungan, banyak variabel dependent dan
banyak variabel independent: MS, AP, SEM
2. Satu hubungan, banyak variabel dependent, dan satu
(banyak) variabel independent: KANONIK, MANOVA
3. Satu hubungan, satu variabel dependent, dan satu
(banyak) variabel independent: RB, AD, Logit-Probit

APG untuk analisis Interdependensi:

Saling ketergantungan antar variabel, atau antar kasus, antar obyek, antar kategori
dari variabel
1. Analisis saling ketergantungan antar variabel: PCA, FAktor
2. Analisis Kemiripan antar kasus: Cluster
3. Analisis kemiripan antar obyek atau kategori dari variabel Multidimensional,
Korespondensi
MODEL STRUKTURAL = Sistem Persamaan Simultan

Input Data: Data dari variabel observasi atau skor dari indikator variabel latent.
Data yg dianalisis data mentah, bukan data standardize

Metode Estimasi:
Model Rekursif = Metode OLS
Exact identified = Metode ILS
Over identified = Metode TSLS
Under identified = Diberi kendala, shg menjadi Exactidentified

Output:
Berupa model, setara dengan hasil analisis Regresi

Kegunaan:
Alat untuk eksplanasi, atau prediksi, setara dengan REGRESI
ANALISIS PATH = Analisis Jalur, Analisis Lintas, Sidik Lintas

Input Data:
Data dari variabel observasi atau skor dari indikator variabel latent. Data yg dianalisis
data standardize

Metode Estimasi:
Modelnya harus rekursif, sehingga dapat digunakan metode OLS

Output:
Model Lintasan atau Jalur-Jalur, pengaruh

Kegunaan:
Untuk menentukan variabel mana yang berpengaruh dominan dan jalur mana yang
berpengaruh lebih kuat
SEM = Sructural Equation Modelling

Input Data:
Data dari variabel observasi atau skor dari indikator variabel latent. Data yg dianalisis berupa
matriks kovarians atau matriks korelasi.

Metode Estimasi:
Maximum Likelihood (ML), TSLS, PLS

Output
Model struktural, Model Lintasan Pengaruh

Kegunaan:
Merupakan gabungan kegunaan antara analisis faktor, Analisis Path, dan Analisis Regresi
ANALISIS KORELASI KANONIK
Keeratan hubungan antara kelompok variabel dgn kelompok variabel lainnya

Input Data:
Data yg digunakan adalah data hasil pengukuran (metrik)

Metode Estimasi:

Konsep Eigen Value & Eigen Vector

Output:
Koefisien Korelasi Kanonik

Kegunaan:
Alat untuk eksplanasi ke-eratan hubungan antar kelompok variabel
MANOVA = Menguji perbedaan variabel dependent pada kategori-kategori dari variabel
independent. Kalau adavariabel penyerta dapat digunakan MANCOVA

Input Data:
Untuk variabel dependent: data hasil pengukuran (metrik)
Untuk variabel independent: Data kategori (non-metrik)

Metode Estimasi:
Konsep dekomposisi komponen ragam (varians)

Output:
Tabel MANOVA

Kegunaan:

Untuk mengetahui apakah secara simultan dari sekumpulan variabel dependent terjadi
perbedaan yang signifikan.
REGRESI BERGANDA = Regresi Linear Berganda

Input Data: Raw data, bukan standardize data

Variabel dependent: data metrik
Variabel independent: data metrik dan/atau data non-metrik

Metode Estimasi: OLS

Output:
Model atau persamaan regresi berganda

Kegunaan:
Alat untuk eksplanasi atau alat untuk prediksi,
Prediksi nilai variabel dependent kalau nilai variabel independent diketahui
ANALISIS DISKRIMINAN

Input Data:
Raw data, bukan standardize data
Variabel dependent: kategori n(non-metrik)
Variabel independent: Metrik dan/atau non-metrik

Metode Estimasi:
Konsep Eigen Value dan Eigen Vector

Output:
Fungsi deskriminan

Kegunaan:
Alat untuk prediksi alternatif, pengelompokkan obyek, faktor determinan
Alat untuk menentukan variabel mana yang merupakan pembeda terkuat
MODEL LOGIT, PROBIT, TOBIT, GOMPIT, LPM

Input Data:
Raw data, bukan standardize data
Variabel dependent: kategori n(non-metrik)
Variabel independent: Metrik dan/atau non-metrik

Metode Estimasi: OLS

Output:
Model atau persamaan

Kegunaan:
Alat untuk eksplanasi odd-ratio
Alat untuk prediksi peluang suatu kategori dari variabel dependent kalau nilai variabel
independen diketahui
 PRINCIPLE COMPONENT ANALYSIS: PCA

Input Data:
Matriks kovarians: kalau semua variabel punya satuan yg sama dan homogen, dipakai raw data
Matrik korelasi: kalau satuannya tidak sama, standardize data

Metode Estimasi:
Konsep Eigen Value dan Eigen Vector

Output:
Variabel komposit atau disebut Dimensi, Komponen Utama
Nilai dari variabel komposit

Kegunaan:
Eksplorasi Dimensi yg terkandung dalam sekumpulan variabel
Mendapatkan skor dari Komponen Utama
Mapping objects
Clustering objects
Menghilangkan multikolinearitas pd regresi berganda
 FACTOR ANALYSIS

Input Data:
Raw data atau standardize data, seluruh variabel mempunyai “common factor”

Metode Estimasi:
Konsep Eigen value & Eigen vector

Output:
Faktor hasil ekstraksi, Skor dari faktor ini (data dari variabel laten). Variabel laten ini juga
disebut DIMENSI

Kegunaan:
Analisis faktor konfirmatori: Mencari dimensi yg terkandung dalam
sekumpulan variabel (atau faktor)
Mapping objects
Clustering object
Mendapatkan data dari suatu DIMENSI atau Variabel Laten
 ANALISIS GEROMBOL = CLUSTER ANALYSIS
Analisis Gerombol hierarkhis: Jumlah gerombol belum diketahui
Analisis tidak-hierarkhis: Jumlah gerombol telah diketahui

INPUT DATA:
Raw data atau standardize data
Data metrik atau non metrik

Metode Analisis: K-mean atau Agromeratif

Output: Kelompok-kelompok obyek

Kegunaan:
Identifikasi banyaknya kelompok (Analisis hierarkhis)
Prediksi anggota setiap kelompok (gerombol)
Identifikasi karakteristik gerombol.
 MULTIDIMENTIONAL SCALLING

Input data:
Pendekatan komposisional: Data hasil pengukuran variabel
Pendekatan dekomposisional: Data jarak antar obyek

Estimasi: Metode ALSCAL.

Output:
Peta, mapping, obyek kajian

KEGUNAAN:
Positioning obyek
Clustering obyek
Identifikasi karakter setiap obyek atau kelompok
obyek.
ANALISIS KORESPONDENSI

INPUT DATA: Tabel Frekuensi

METODE PERHITUNGAN:
Konsep Eigen value dan Eigen vektor

OUTPUT:
Berupa peta (mapping) kategori dari variabel

KEGUNAAN:
Positioning kategori variabel
Clustering kategori dari beberapa variabel
Identifikasi profil suatu variabel berkaitan dengan kategori variabel
lainnya.
ANALISIS KOMPARATIF
 ANALISIS KOMPARATIF
Berdasarkan Permasalahan:
Perbandingan suatu populasi (sampel) dg standart
Perbadingan dua populasi (sampel)
Perbandingan lebih dari dua populasi (sampel)

Berdasarkan Jenis Data:

Analisis Parametrik (berlandaskan pada distribusi normal)
Analisis Nonparametrik (bebas distribusi)
Boostrap (bebas distribusi)

Berdasarkan Jumlah Variabel:

Analisis Univariate (variabel tunggal)
Analisis Multivariate (multivariabel secara simultan)
KAIDAH PEMILIHAN METODE ANALISIS KOMPARATIF
ANALISIS NONPARAMETRIK
JENIS SATU DUA POPULASI LEBIH DARI 2 POPULASI
DATA POPULASI Paired Unpired Paired Unpaired

Uji
NOMINAL Uji Binomium Uji McNemar Uji Eksak Fisher Uji Q Chocran 2

Uji 2
ORDINAL Uji Kolmogorof S. Uji Tanda Uji Median Uji Friedman Uji Kruskal
Uji Deret Uji Tanda Wilcoxon Uji MannWhitney Wallis
Uji Kolmogorof S.
Uji Wald W.
Uji Moses
INTERVAL Uji Walsh
DAN RATIO Uji Randomisasi

ANALISIS PARAMETRIK1)
INTERVAL Uji Z, 2 diketahui Uji Z, 2 diketahui Uji Z, 2 diketahui Uji F; melalui Uji F, melalui
DAN RATIO Uji t, 2 tdkdiketahui Uji t, 2 tdkdiketahui Uji t, 2 tdkdiket. ANOVA ANOVA
(dengan (tanpa
pemblokan) pemblokan)
RAK, RBSL RAL

ANALISIS PEUBAH GANDA (MULTIVARIATE)

INTERVAL
Uji  2
,  diket.
Uji T2 Hotelling, Uji T2 Hotelling, Uji Wilk Lamda Uji Wilk Lamda
DAN RATIO  tidak diketahui melalui MANOVA melalui
2
Uji T Hotelling,
(dengan MANOVA
 tidak diketahui
pemblokan) (tanpa
RAK, RBSL pemblokan)
RAL
ILUSTRASI
Kondisi Jenis Persh. NPS NPM Leverage
(Y1) (Y2) (X1) (X2) (X3)
Suatu penelitian bertujuan 1 1 774.53 .143333 .147504
2 1 12685.00 .243333 .232460
untuk mengetahui: Apakah 1 1 545.75 .263333 .324572
terdapat perbedaan yang 1 1 2474.40 .093333 .168774
signifikan antara 2 1 11583.00 .136667 .226971
1) Kondisi perusahaan jasa 1 1 813.80 .083333 .205397
dan manufaktur 3 1 37416.00 .093333 .160622
2) Leverage perusahaan jasa 1 1 529.02 .036667 .155425
1 1 829.60 .220000 .218567
dan manufaktur
1 2 538.35 .086667 .118412
3) NPS perusahaan yang 2 2 10512.00 .126667 .258017
penjualan saham 1 2 917.43 .103333 .166437
hariannya naik, turun dan 1 2 2238.50 .083333 .202548
konstan 1 2 2427.80 .080000 .247922
4) Perusahaan yang 1 2 1930.70 .060000 .228807
penjualan saham 3 2 37405.00 .093333 .160621
2 2 12685.00 .243333 .232460
hariannya naik, turun dan 2 2 11583.00 .136667 .226971
konstan 2 2 10512.00 .126667 .258017
3 2 37404.00 .093333 .160621
Data dari Bursa Efek 3 2 36813.80 .083333 .105397
Jakarta (tahun 2000) Kondisi : 1 = penjualan saham harian turun, 2 = konstan, 3 = naik
Jenis: 1 = manufaktur, 2 = jasa
HASIL ANALISIS

1) Data kondisi - penjualan saham (ordinal): Mann-Whitney Test

Pengujian Hipotesis :
Terima H0 (p = 0.310)

Interpretasi :
Tidak terdapat perbedaan yang
signifikan penjualan saham harian
antara perusahaan jasa dengan
manufaktur
HASIL ANALISIS
2) Data Leverage (ratio) : T-Test

Pengujian Hipotesis :
1) Leven’s Test : Terima H0 (p = 0.126); gunakan equal variance assumed
2) T Test : Terima H0 (p = 0.764)
Interpretasi :
Tidak terdapat perbedaan yang signifikan Leverage antara perusahaan jasa dengan
manufaktur
HASIL ANALISIS
3) Uji Simultan seluruh variabel : MANOVA

INTERPRETASI

1) Antara perusahaan yang penjualan saham harianya naik, konstan dan turun terjadi
perbedaan yang signifikan
2) Untuk mengetahui dari ketiga variabel (NPS, NPM dan Leverage), mana yang
signifikan dilakukan uji F dengan ANOVA
HASIL ANALISIS
4) Data NPS (ratio) : ANOVA (F-Test)
HASIL ANALISIS
4) Data NPM (ratio) : ANOVA (F-Test)
HASIL ANALISIS
4) Data Leverage (ratio) : ANOVA (F-Test)
INTERPRETASI
Diringkas dalam bentuk Tabel hasil Uji Tukey

Means
Kondisi NPS NPM Leverage

Turun 1274.534545 c 0.113939 a 0.198579 ab

Konstan 11593.333333 b 0.168889 a 0.239149 a

Naik 37259.700000 a 0.908330 a 0.146815 b

Angka dalam kolom sama yang didampingi huruf berbeda adalah

berbeda siginifikan pada Uji Tukey  = 0.05.
1) NPS perusahaan yang penjualan saham harianya naik tertinggi dan terendah pada
yang penjualan saham hariannya turun
2) NPM berbeda nonsignifikan
3) Leverage antara perusahaan yang penjualan saham hariannya konstan berbeda
signifikan dengan yang penjualan saham hariannya naik, dimana pada yang konstan
leverage lebih tinggi. Sedangkan antara turun dengan keduanya berbeda
nonsignifikan