ANALISA BIVARIAT:

KORELASI DAN REGRESI

 Analisa Korelasi

 Analisa korelasi adalah analisa hubungan

antara dua variabel.

 Variabel yang dikaitkan posisinya setara atau

sejajar, semuanya independen.

 Korelasi bukan hubungan sebab-akibat, atau

bukan hubungan pengaruh.

2
 Analisa Regresi

• Analisa Regresi merupakan analisa hubungan

sebab-akibat, analisa pengaruh, atau analisa

dampak.
• Variabel yang dihubungkan tidak setara, ada yang

mempengaruhi/menjadi penyebab/menjadi prediktor

(variabel independen), ada yang
dipengaruhi/menjadi akibat (variabel dependen).
3
 Korelasi Product Moment

 Korelasi product moment, digunakan untuk

menguji signifikansi hubungan antara dua atau

lebih variabel metrik (diukur dengan skala
interval atau rasio).
 Dikembangkan pertama kali oleh Karl Pearson,

sehingga korelasi ini dikenal juga dengan

Korelasi Pearson.
4
 Korelasi Product Moment

Contoh:
 Apakah pengatahuan berhubungan dengan

sikap?
 Apakah persepsi pasien terhadap kualitas

pelayanan ada hubungannya dengan

kepuasan pasien?

5
 Korelasi Rank Spearman

 Korelasi Spearman Rank, digunakan untuk

menguji signifikansi hubungan antara dua atau

lebih variabel non-metrik (minimal ordinal).
• Disebut juga sebagai non-metric correlation,

Spearman’s rho, ρs
 Informasi dari uji Korelasi

1. Ada tidaknya hubungan yang signifikan antar

variabel yang dihiopotesiskan. Ketentuan:
Sig value > 0.05, H0 diterima, Ha ditolak
Sig value ≤ 0.05, H0 ditolak, Ha diterima
2. Kekuatan hubungan antar variabel (lihat nilai R/r)
 R (koefisien korelasi) mendekati ± 1.00, berarti hubungan
antar variabel kuat
 R mendekati 0, berarti hubungan antar variabel lemah

7
 Informasi dari uji Korelasi

3. Arah hubungan antar variabel (dilihat dari nilai R/r)

 Positif (+) berarti hubungan searah
 Negatif (-) berarti hubungan berlawanan arah

4. Bentuk hubungan (dilihat dari nilai signifikansi (Sig

value)
 Sig value > 0.05, tidak linier
 Sig value ≤ 0.05, linier

8
 Koefisien Korelasi

 Koefisien korelasi (sampel) disimbolkan dengan R

atau r, dan untuk populasi disimbulkan rho (ρ)

 Nilai koefisien berkisar antara -1.0 dan +1.0

 r = +1.0 menunjukkan hubungan linier positif

sempurna
 r = -1.0 menunjukkan hubungan linier negatif

sempurna
 r = 0 menunjukkan tidak ada hubungan
9
 Koefisien Korelasi

Variasi nilai koefisien korelasi r:

• 0.81 - 0.99 hubungan sangat kuat (very strong)

• 0.61 - 0.80 hubungan kuat (strong)

• 0.41 - 0.60 hubungan sedang (moderate)

• 0.21 - 0.40 hubungan lemah (weak)

• 0.01 - 0.20 hubungan sangat lemah (very weak)

10
 Pola Korelasi
Y Y
NO CORRELATION
PERFECT NEGATIVE
CORRELATION -
r= -1.0

X X
Y
.

A HIGH POSITIVE
CORRELATION
r = +.98

X
Tabel Data: Penilaian sikap terhadap kota yang ditinggali

Importance
Respondent No Attitude Toward Duration of Attached to
the City Residence weather
1 6 10 3
2 9 12 11
3 8 12 4
4 3 4 1
5 10 12 11
6 4 6 1
7 5 8 7
8 2 2 4
9 11 18 8
10 9 9 10
11 10 17 8
12 2 2 5
12
 Korelasi Product Moment

• Contoh: menguji apakah terdapat hubungan

yang signifikan antara lama tinggal di sebuah
kota (duration of residence), dengan sikap
terhadap kota yang bersangkutan (attitude
toward the city).
• Rumusan hipotesis statistiknya sbb:
H0 :  = 0
H1 :   0 13
 Korelasi Product Moment

Rumusan hipotesis kerjanya sbb:

• H0: sikap responden terhadap kota yang

mereka tinggali tidak berhubungan signifikan

dengan lama mereka tinggal di kota tersebut
• Ha : sikap responden terhadap kota yang

mereka tinggali berhubungan signifikan dengan

14

lama mereka tinggal di kota tersebut.

 15

Uji Korelasi Pearson

Berikut keluaran SPSS dari Uji Korelasi Pearson:

Correlations

Attitude Duration
Attitude Pearson Correlation 1.000 .936**
Sig. (2-tailed) . .000
N 12 12
Duration Pearson Correlation .936** 1.000
Sig. (2-tailed) .000 .
N 12 12
**. Correlation is significant at the 0.01 level
(2-tailed).
 16

Uji Korelasi Pearson

Signifikansi (Sig) value 0.000<0.05, berarti terbukti
ada hubungan yang signifikan  tolak Ho. Hubungan
juga bersifat linier.
Koefisien korelasi Pearson = +0.936 artinya positive
strong correlation.
Strong berarti sikap responden terhadap kota yang
mereka tinggali berhubungan erat dengan lama
responden tinggal di kota tersebut.
Positive berarti semakin lama responden tinggal di
sebuah kota maka sikap mereka terhadap kota yang
mereka tinggali juga semakin positif, demikian juga
sebaliknya.
 Analisis Regresi Linier

• Analisis Regresi mengukur hubungan sebab-

akibat atau hubungan pengaruh antara variabel

dependen yang bersifat metrik dengan satu
atau lebih variabel independen yang juga
bersifat metrik.

17
 Analisis Regresi Linier

• Apabila variabel independen hanya 1, maka

regresinya adalah regresi linier sederhana

(simple linier regression) atau bivariate
regression.
• Apabila variabel independennya lebih dari 1,

maka menggunakan analisis regresi linier

berganda (multiple linier regression)
18
 Analisis Regresi Sederhana

Persamaan model regresi sederhana:

Y = α + βX + e
dimana:
Y = variabel dependen
X = variabel independen (prediktor)
α = konstanta
β = koefisien regresi
e = error

19
 Analisis Regresi Berganda
• Menguji secara serentak kemampuan variabel
independen (x) dalam menjelaskan variasi nilai
variabel dependen (Y).
• Persamaan regresi linier berganda adalah:

Y= α +b1X1 +b2X2+b3X3...+bkXk
• Model penduganya adalah:

Y= a +b1X1 +b2X2+b3X3...+bkXk
20
Perhitungan statistik terkait dengan hasil uji regresi

 Coefficient of determination…R 2 (Koefisien Determinasi)

Kekuatan hubungan antar variabel (x) dan (Y) ditentukan oleh
nilai koefisien determinasi, (r 2). Nilainya bervariasi antara
0.00 sampai 1.00. Koefisien determinasi menentukan
seberapa besar variasi nilai Y (dlm prosentase) yang mampu
dijelaskan oleh variasi dari (x).

 Adjusted R2 (Koefisien Determinasi yang Disesuaikan)

Koefisien determinasi yang telah disesuaikan menurut jumlah
variabel independen dan jumlah sampel yang diteliti. Nilai
Adjusted R2 < R2 nya.

21
 Perhitungan statistik terkait dengan hasil uji regresi
22
 F test (Uji F)
 Menguji apakah seluruh variabel independen (x) secara serentak
/bersama-sama (simultaneously) berpengaruh signifikan terhadap
variabel dependen (Y).
 Dengan kata lain, Uji F dipakai untuk menguji signifikansi dari Koefisien
Determinasi (R2 ).
 Hipotesis yang diuji adalah:
H0 : β1 = 0
Ha : β1 ≠ 0
 Pada regresi berganda, dimana jumlah (x) lebih dari 1 variabel, maka
hipotesis yang diuji dengan F test adalah:
H0 : β1 = β2 = β3 = βk = 0
Ha : β1 ≠ β2 ≠ β3 ≠ βk ≠0
 Perhitungan statistik terkait dengan hasil uji regresi

23
 t test (Uji t)
 Menguji apakah variabel independen secara individu (parsial)
berpengaruh signifikan terhadap variabel dependen.
 Hipotesis yang diuji adalah:

H0 : β 1 = 0
Ha: β 1 ≠ 0
 Pada regresi berganda, dimana jumlah (x) lebih dari 1 variabel, maka
hipotesis yang diuji dengan t test adalah:
H0 : β 1 ; β 2 ; β 3 ; β k = 0
Ha : β 1 ; β 2 ; β 3 ; β k ≠ 0
Contoh Analisis Regresi Linier Berganda
• Diuji apakah “lama responden tinggal di sebuah kota” (x1) dan
“skala kepentingan mengenai cuaca” (x2) signifikan
mempengaruhi “sikap terhadap kota yang ditinggali”.
• Bila mengacu pada koefisien determinasinya, maka
rumusan hipotesis statistiknya sbb:

H0: R2pop = 0
Ha: R2pop > 0
• Rumusan hipotesis kerjanya sbb:
H0 : lama responden tinggal di sebuah kota dan skala
kepentingan mengenai cuaca tidak signifikan berpengaruh
terhadap sikap responden terhadap kota yang ditinggali.
Ha : lama responden tinggal di sebuah kota skala
kepentingan mengenai cuaca signifikan berpengaruh
terhadap sikap responden terhadap kota yang ditinggali.
24
Contoh Analisis Regresi Linier Berganda
 Bila mengacu pada uji F, maka rumusan hipotesisnya:
H0 : βlama tinggal = βkepentingan cuaca = 0
Ha : β lama tinggal ≠ β kepentingan cuaca ≠0

 Rumusan hipotesis kerjanya sbb:

H0 : lama responden tinggal di sebuah kota dan skala
kepentingan mengenai cuaca secara simultan tidak signifikan
berpengaruh terhadap sikap responden terhadap kota yang
ditinggali.
Ha : lama responden tinggal di sebuah kota skala kepentingan
mengenai cuaca secara simultan signifikan berpengaruh
terhadap sikap responden terhadap kota yang ditinggali.

25
 Analisis Regresi Linier Berganda: R2
Model Summary

Adjusted Std. Error of

Model R R Square R S quare the Estimate
1 .972a .945 .933 .860
a. Predictors: (Cons tant), Importance, Duration

• Nilai korelasi (R) = 0.972, variabel x1, x2 dan Y memiliki

hubungan positif yang sangat kuat.

• Koefisien Determinasi (R2) menunjukkan bahwa variasi

nilai dari variabel “Sikap Terhadap Kota” (Y) dapat dijelaskan
sebanyak 94.5% oleh variasi nilai variabel “Lama Tinggal” (x1)
dan variabel “Kepentingan Thd Cuaca” (x2); sedangkan 5.5%
sisanya dijelaskan oleh variabel lain di luar model yang diteliti.

26
 Analisis Regresi Linier Berganda: Uji F

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 114.264 2 57.132 77.294 .000 a
Res idual 6.652 9 .739
Total 120.917 11
a. Predictors: (Cons tant), Importance, Duration
b. Dependent Variable: Attitude

Nilai signifikansi uji F = 0.000 < 0.05, sehingga dengan

demikian dapat dikatakan bahwa variabel “Lama Tinggal
di Kota” dan “Kepentingan Thd Cuaca” secara simultan
berpengaruh secara signifikan terhadap “Sikap Terhadap
Kota”  Ha diterima.
27
 Analisis Regresi Linier Berganda: Uji t
Coe fficientsa

Uns tandardized Standardiz ed

Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) .337 .567 .595 .567
Duration .481 .059 .764 8.160 .000
Importance .289 .086 .314 3.353 .008
a. Dependent Variable: Attitude

Nilai signifikansi uji t :

X1 (duration) = 0.000 < 0.05, variabel “Lama Tinggal di Kota”
secara individu berpengaruh signifikan terhadap “Sikap
Terhadap Kota”  Ha diterima.
X2 (importance wheather) = 0.008 < 0.05, variabel
“Kepentingan Thd Cuaca” secara individu berpengaruh
signifikan terhadap “Sikap Terhadap Kota” 
28 Ha diterima.
 Analisis Regresi Linier Berganda: Persamaan Regresi
Coe fficientsa

Uns tandardized Standardiz ed

Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) .337 .567 .595 .567
Duration .481 .059 .764 8.160 .000
Importance .289 .086 .314 3.353 .008
a. Dependent Variable: Attit ude

Persamaan regresinya:
Y= α +b.Xduration +b.Xwheather importance
Sikap thd kota = 0.337 +0.481Xduration +0.289.Xwheather importance

Interprestasi dari persamaan regresi di atas adalah:

•Nilai konstanta (a) sebesar 0.337 menunjukan bahwa apabila variabel bebas = 0 maka
nilai variabel “sikap responden terhadap kota” (Y) sebesar 0.337.
•Nilai koefisien “lama tinggal” (β1) sebesar 0.481 menunjukkan dengan naiknya satu
satuan “lama tinggal”, maka nilai “sikap responden terhadap kota” akan naik sebesar
0.481 satuan, dengan asumsi variabel bebas yang lain konstan.
•Nilai koefisien “kepentingan thd cuaca” ( β2 ) sebesar 0.289 menunjukkan
dengan naiknya satu satuan “kepentingan thd cuaca”, maka nilai “sikap
responden terhadap kota” akan naik sebesar 0.289 satuan, dengan asumsi variabel
bebas yang lain konstan. 29
 UJI PERBEDAAN
(DIFFERENCES ANALYSIS)
 One Sample versus Two Samples
 Dalam analisis data, peneliti dapat dihadapkan pada
analisis atas one sample atau two/more samples.

 Jumlah sampel yaitu one sample atau two samples

ditentukan berdasarkan “bagaimana data diperlakukan”,
bukan “bagaimana data dikumpulkan”!

 Two samples dibedakan menjadi dua yaitu:

1. Two-related (paired) samples
2. Two-independent samples
 Petunjuk Menguji Hipotesis

• Apabila pvalue > nilai signifikan, berarti pvalue tidak signifikan,

itu berarti kita harus menerima H0 dan menolak Ha.

Dengan kata lain, hipotesis kita tidak terbukti atau tidak dapat
diterima.

• Apabila pvalue ≤ nilai signifikan, berarti pvalue signifikan,

itu berarti kita harus menolak H0 dan menerima Ha.

Dengan kata lain, hipotesis kita terbukti atau dapat
diterima.

• Besarnya nilai signifikansi, tergantung peneliti (tergantung


atau nilai alpha; dimana nilai alpha, tergantung dari level of
confidence peneliti). Bila level of confidence = 95%, maka
= 0.05 (5%), berarti nilai signifikansi juga sebesar 5%.
One sample – Metric Data
Misalkan kita ingin membuktikan hipotesis yang menyatakan bahwa
mean atau rata-rata persepsi responden terhadap kualitas
pelayanan klinik adalah di atas 4.0. Dengan tingkat signifikansi
= 0.05, maka hipotesis statistiknya dirumuskan sbb:

H0:  < 4.0
Ha:  >4.0
 Karena variabel “persepsi terhadap kualitas pelayanan klinik” diukur dengan
skala interval (metric), maka teknik statistik yang digunakan adalah ONE
SAMPLE t-Test.

 Dalam SPSS, langkah2nya sbb:

ANALYZE > COMPARE MEANS > ONE SAMPLE t-TEST >
Kemudian pilih variabel yang akan diuji nilai mean-nya.
Two-Independent Samples

 Misalnya: Responden Pria dan Wanita, saat data

dikumpulkan, mereka kita perlakukan sebagai 1
kelompok sampel.
 Namun apabila saat analisis melibatkan pengujian
perbedaan jenis kelamin, maka responden pria dan
wanita tersebut harus diperlakukan sebagai 2 sampel
yang berbeda/independent (seorang responden yg
berjenis kelamin Pria, maka ia adalah anggota
kelompok sampel Pria; tidak mungkin ia pada saat yg
bersamaan, masuk ke kelompok sampel Wanita 
sehingga teknik pengujian yang digunakan adalah two-
independent samples.
Two Independent Samples
Contoh: Peneliti ingin menguji apakah persepsi
responden pria berbeda signifikan dengan persepsi
responden wanita dalam menilai kualitas pelayanan
klinik.

Karena persepsi diukur dengan skala interval (metric), maka

teknik statistik yang digunakan adalah t-Test Two-Independent
Samples.

Dengan tingkat signifikansi = 0.05, maka hipotesis statistiknya

dirumuskan sbb:

H 0
:   
 
1 2

H 1
:
1

2
 Two Related (Paired) Samples – Sampel Berpasangan

 Selanjutnya, yang dimaksud sebagai two-related samples

(paired samples) adalah apabila kepada sekelompok
sampel dilakukan pengukuran sebanyak 2 kali untuk hal
yang berbeda.

 Contoh: Peneliti ingin menguji apakah promkes efektif

meningkatkan PHBS. Karena kelompok responden mengalami
pengukuran sebanyak 2x, maka harus diperlakukan sebagai 2
sampel berpasangan  sehingga teknik pengujian yang
digunakan adalah two-related/paired samples !
 Two Paired samples – Metric Data
Dengan tingkat signifikansi  = 0.05, maka hipotesis
statistiknya dirumuskan sbb:
H :  = 0
0 D
H1 :  D  0

 Karena variabel ke-1 “PHBS sebelum diberikan Promkes”

dan variabel ke-2 “PHBS sesudah diberikan Promkes” diukur dengan skala interval
(metric), maka teknik statistik yang digunakan adalah TWO SAMPLES / PAIRED
t-Test.

 Dalam SPSS, langkah2nya sbb:

ANALYZE > COMPARE MEANS > PAIRED SAMPLES t-TEST >
Kemudian pilih variabel-variabel yang akan diuji nilai mean-nya.
Chi Square Analysis

 Variabel-variabel yang diuji dengan teknik Chi-square

(  ) harus diukur dengan skala nominal atau ordinal
(non-metric data).

 Untuk menggunakan chi-square, maka harus dibuat

tabulasi silang (cross-tabulation) terlebih dahulu.
 Chi-square Test
Contoh:
 Peneliti ingin menguji apakah jenis kelamin responden
berasosiasi/berhubungan dengan kualitas pelayanan klinik.

 Karena “jenis kelamin” sebagai variabel ke-1, dan “kualitas

pelayanan klinik” sebagai variabel ke-2, merupakan data
berskala nominal (sama-sama merupakan data non-metric),
maka teknik statistik yang dipakai untuk menguji adalah
Chi-Square.

Dalam SPSS, Chi Square dioperasikan melalui:

ANALYZE > DESCRIPTIVE STATISTIC > CROSSTABS. Dalam kotak dialog
Crosstabs, klik STATISTIC & pilih CHI-SQUARE

39
Analisis Of Varian

 Apabila uji perbedaan yang dilakukan melibatkan rata-rata

(mean) lebih dari 2 populasi atau kelompok sampel, maka
teknik statistik yang digunakan adalah analisis varian atau
ANOVA (analysis of variance).

 Dalam bentuk paling sederhana, ANOVA memiliki 1 variabel

dependen yang memiliki data metrik (diukur dengan skala
interval atau rasio). Lalu ada pula 1 atau lebih variabel
independen yang memiliki data non-metrik (diukur dengan
skala nominal atau ordinal).

 Variabel independen ini disebut faktor. Kategorisasi yang

dilakukan terhadap variabel independen disebut perlakuan
(treatment).
Analisis Of Varian

 Banyaknya kategori harus lebih dari 2, karena bila hanya

2 kategori, uji t-test bisa digunakan.

 Apabila hanya ada 1 variabel independen, maka yang

dipakai adalah ANOVA satu-arah (one-way ANOVA). Bila
ada 2 variabel independen, maka ANOVA dua-arah
(two-way ANOVA). Bila lebih dari 2 variabel independen,
digunakan ANOVA multi- arah (N-way ANOVA).

 Apabila sejumlah variabel independen terdiri dari

variabel non-metrik dan metrik, maka teknik statistik
yang digunakan adalah ANCOVA (analysis of covariance).
 Analisis Varian
 Dalam pengujian, formulasi hipotesis statistiknya sbb:
H0: µ1 = µ2 = …. = µk
Ha: µ1 ≠ µ2 ≠ …. ≠ µk (tidak semua rata-rata sama –
setidaknya ada dua mean populasi yang tidak sama).
Contoh:
 Sebuah klinik meneliti mengenai efek yang signifikan dari promkes
kesehatan (X) terhadap PHBS (Y).
 Variabel dependen  PHBS --- metric (skala rasio)
 Variabel independen  promkes--- nonmetric (skala nominal).
Dibagi dalam 3 kategori: (1) promosi tinggi; (2) promosi sedang;
and (3) promosi rendah.

 Dalam SPSS, langkah2nya sbb:

ANALYZE > COMPARE MEANS > ONE WAY ANOVA
Tabel “In-Store Promotion
No.Resp Sanksi Promkes peringkat resp PHBS
1 1 1 9 10
2 1 1 10 9
3 1 1 8 10
4 1 1 4 8
5 1 1 6 9
6 1 2 8 8
7 1 2 4 8
8 1 2 10 7
9 1 2 6 9
10 1 2 9 6
11 1 3 8 5
12 1 3 9 7
13 1 3 6 6
14 1 3 10 4
15 1 3 4 5
16 2 1 10 8
17 2 1 6 9
18 2 1 8 7
19 2 1 4 7
20 2 1 9 6
21 2 2 6 4
22 2 2 8 5
23 2 2 10 5
24 2 2 4 6
25 2 2 9 4
26 2 3 4 2
27 2 3 6 3
28 2 3 10 2
29 2 3 9 1
30 2 3 8 2
 Uji ANOVA satu-arah (One-way ANOVA)

Nilai signifikansi F test 0.000 < pvalue 0.05, berarti signifikan,

sehingga kita menolak H0 dan menerima Ha . Dengan demikian,
promkes terbukti memiliki pengaruh yang signifikan terhadap
PHBS.
Uji ANOVA dua-arah (Two-way ANOVA)

 Misalkan yang ingin diketahui adalah apakah promkes dan

sanksi berpengaruh signifikan terhadap PHBS.
 Variabel dependen  PHBS --- metric (skala rasio)
 Variabel independen, ada 2 
X1 (Promkes) --- nonmetric (skala nominal).
X2 (sanksi) --- nonmetric (skala nominal).

 Statistik uji yang digunakan adalah ANOVA dua-arah.

 Dalam SPSS, langkah2nya sbb:
ANALYZE > GENERAL LINEAR MODEL > UNIVARIATE
Masukkan variabel dependen ke “Dependent
Variable” dan variabel independen ke “Fixed
Factor(s)”.
Uji ANOVA dua-arah (Two-way ANOVA)

Nilai signifikansi Sanksi*Promkes 0.206 > pvalue 0.05, berarti tidak signifikan,
sehingga kita menerima H0 dan menolak H1.
Dengan demikian dapat dikatakan bahwa promkes dan sanksi yang dikeluarkan
tidak memilki pengaruh yang signifikan terhadap PHBS.
 Uji ANCOVA (Analysis of Covariance)
 Misalkan yang ingin diketahui adalah apakah promkes dan sanksi yang
dikeluarkan berpengaruh signifikan terhadap PHBS, sementara kita
mengontrol pengaruh dari client.
 Variabel dependen  PHBS --- metric (skala rasio)
 Variabel independen, ada 3 
X1 (promkes) --- nonmetric (skala nominal).
X2 (sanksi) --- nonmetric (skala nominal).
X3 (peringkat) metric (skala rasio)

 Karena variabel independen terdiri atas data metric dan non-metric, maka
statistik uji yang digunakan adalah ANCOVA.
 Dalam SPSS, langkah2nya sbb:
ANALYZE > GENERAL LINEAR MODEL > UNIVARIATE
Masukkan variabel dependen ke “Dependent
Variable”, kemudian variabel independen non-metric ke “Fixed
Factor(s)”, dan variabel independen metric ke “Covariate(s)”.
 Uji ANCOVA (Analysis of Covariance)

Nilai signifikansi Clientel 0.363 > pvalue 0.05, berarti tidak signifikan, sehingga kita
menerima H0 dan menolak H1.
Dengan demikian dapat dikatakan bahwa promkes dan sanksi yang dikeluarkan
serta peringkat responden tidak memilki pengaruh yang signifikan terhadap
PHBS.
Analisis Multivariate
Tujuan Perkuliahan
Setelah mengikuti materi ini anda diharapkan
mampu :
• Menjelaskan apa yang dimaksud analisis multivariate, kelebihan
dan sifat-sifatnya.
• Memahami dan mampu mengidentifikasi berbagai jenis skala
pengukuran serta berbagai jenis data dasar.
• Menjelaskan secara singkat beberapa teknik multivariate yang
penting.
• Menjelaskan klasifikasi teknik multivariate beserta dasar
pengklasifikasiannya.
Apakah Analisis Multivariate ?
• Identik dengan semua metode statistik yang menganalisa
multiple measurement secara simultan pada setiap
individu atau obyek yang sedang diteliti.
• Semua analisis simultan pada lebih dari 2 distribusi
variabel dapat diduga sudah dekat sekali dengn analisis
multivariate
• Beberapa teknik multivariate merupakan perluasan dari
analisis univariate (analisis dari distribusi variabel tunggal)
dan analisis bivariate (Analisis dari dua distribusi
variables)
• Tujuan dari analisis multivariate adalah untuk mengukur,
menjelaskan, dan memprediksi derajat hubungan diantara
variate-variate (kombinasi variabel terbobot)
Why Multivariate
• Realitas
• Univariate stats only go so far when applicable
• “Real” data usually contains more than one DV
• Multivariate analyses are much more realistic and feasible

• “Minimal” Increase in Complexity

• More control and less restrictive assumptions
• Using the right tool at the right time

Coba anda pahami alasan-alasan penggunaan analisis

multivariate di atas !
Beberapa Konsep Dasar
• Variate
• Skala Pengukuran
• Jenis Data Dasar
• Kesalahan Pengukuran dan Pengukuran
Multivariate
• Statistical signification Vs Statistical Power
• Klasifikasi metode analisa data
• Jenis-jenis Teknik Multivariate
• Klasifikasi Teknik Multivariate
Variate
• Batu penyusun bangunan Analisis multivariate adalah
variate
• Merupakan suatu kombinasi linear dari variabel-2 dengan
bobot empiris yang ditentukan
• Suatu variate dari sejumlah n variabel terbobot (X1 to Xn)
dapat dinyatakan secara mathematika sebagai :
variate value = w1X1+ w2X2+…+wnXn
Skala Pengukuran
Semua skala pengukuran dapat diklasifikasikan kedalam empat jenis
skala berikut ini :

1.Nominal
 Juga disebut sebagai skala kategorik
 Merupakan skala pengukuran yang bersifat membedakan saja
 Angka atau simbol yang diberikan tidak memiliki maksud kuantitatif
hanya menunjukkan ada aau tidak adanya atribut atau kharakteristik
yang diteliti
 Contoh : Jenis kelamin seseorang, status perkawinan, kepesertaan
keluarga berencana, lulus atau tidak dll.
 Bekerja dengan data ini, peneliti harus menentukan angka untuk tiap
kategori, sebagai contoh : 1 untk wanita dan 2 untuk laki-laki (angka ini
hanya representasi dari kategori atau kelas-2 dan tidak meunjukkan
bilangan dari suatu atribut atau karakteristik.
Skala Pengukuran
2.Ordinal
 Skala pengukuran yang sifatnya membedakan dan
mengurutkan
 Setiap sub kelas dapat dibandingkan dengan yang lain
dalam hubungan “ lebih besar” atau “ lebih sedikit”.
 Example: misalkan seseorang diminta untuk mengurutkan
tiga buah produk berdasarkan tingkat kepuasan terhadap
produk.
Product A Product B Product C
Brand Rank
A 1
B 2
Very satisfied Not at all satisfied C 3
Skala Pengukuran
3. Interval
 Skala pengukuran yang bersifat membedakan, mengurutkan
dan memiliki jarak yang sama
 Tidak memiliki nilai nol mutlak.
 Semua statistik (note : ingat-ingat pengertian istilah statistik)
dapat diukur dengan skala interval, kecuali yang berbasis
rasio seperti koefisien variasi.
 contoh :
Suatu suhu 80 F tidak dapat dikatakan dua kali lebih panas dari
suhu 40 F, karena kita tahu bahwa 80 F, pada skala suhu yang lain,
seperti celcius adalah 26,7 C sedangkan 40 F = 4,4 C. meskipun 80
F kelihatannya dua kali 40F , seseorang tidak dapat mengatakan
bahwa 80F dua kali lebih panas dari 40F, karena pada skala yang
lain panasnya tidak dua kalinya.
Skala Pengukuran
4. Ratio
 Skala pengukuran yang sifatnya membedakan, mengurutkan
dan mempunyai nilai nol mutlak.
 Nilai nol mutlak adalah nilai dasar yang tidak bisa diubah
meskipun menggunakan skala yang lain.
 Karenanya nilai-nilai dalam skala ini dapat dibandingkan dan
dapat dilakukan operasi matematis seperti penjumlahan
pengurangan, bagi ataupun perkalian.
 Contoh :
100 Kg memiliki berat dua kali 50 kg
1000 meter memiliki panjang 20 kali 50 meter
dll
Jenis Data Dasar
Terdapat dua jenis data dasar :
1. Non Metric (Qualitative)
 Data non metrik bisa berupa Atribut, karakteristik, atau sifat
kategorik yang menunjukkan atau menggambarkan suatu
subyek.
 Variabel yang diukur menggunakan skala nominal dan ordinal
umumnya merupakan variabel non metric
2. Metric (Quantitative)
 Pengukuran dilakukan sehingga suatu subyek dapat diketahui
perbedaannya dalam jumlah atau derajat.
 Variabel yang diukur mengunakan skala Interval dan Ratio
umumnya merupakan variabel metric
Kesalahan Pengukuran dan
Pengukuran Multivariate
• Kesalahan pengukuran adalah derajat diamana nilai hasil
pengamatan tidak mewakili / menunjukkan nilai “sebenarnya”.
• Dalam mengukur derajat kesalahan pengukuran yang ada dalam
setiap ukuran, peneliti harus melakukan uji validitas dan reliabilitas
dari ukuran (measure).

• Validitas
 adalah derajat sejauh mana kesalahan pengukuran terdapat pada
suatu ukuran / sebuah derajat yang menyatakan sejauh mana suatu
ukuran secara akurat menunjukkan yang diukurnya.

• Reliabilitas
 derajat yang menunjukkan sejauh mana variabel yang diamati
mengukur “nilai sebenarnya” dan sejauh mana variabel tersebut
”bebas kesalahan”.
Klasifikasi metode data analitis

Klasifikasi metode data analitis dapat dibagi menjadi :

1. Dependence Method
Dapat didefinisikan sebagai suatu metode di mana suatu
variabel atau kumpulan variabel yang diketahui sebagai
variabel tak bebas diprediksi atau dijelaskan oleh variabel-
variabel yang lain yang disebut sebagai variabel bebas.
2. Interdependence Method
Adalah suatu metode dimana tidak ada satu atau sekelompok
variabel yang didefinisikan sebagai variabel bebas ataupun
variabel tak bebas.
Jenis Teknik Multivariate
1. Principal Componen Analysis (PCA)
2. Factor Analysis (FA)
3. Canonical Correlation Analysis (CCA)
4. Cluster Analysis (CA)
5. Discriminan Analysis (DA)
6. Multiple Regression Analysis (MRA)
7. Conjoint Analysis (CoA)
8. Analisis Variansi Multivariate (MANOVA),
9. Multidimensional Scalling
10. Structural Equation Modelling (SEM)
Klasifikasi Teknik Multivariate
What type of relationship
is being examined?

Dependence Interdependence
How many variable are Is the structure of
being predicted ? relationships among :

Multiple relationship of Several dependent One dependent

dependent & variable in single variable in singgle variables Cases/Respondent Object
independent variables relationship relationship
Factor Cluster How are the
Structural What is the What is the atributes
Analysis Analysis
measurement measurement measurement ?
equation
modeling scale of the scale of the
dependent dependent
variable ? variale

metric Non metric metric Non metric metric Non metric

What is the Canonical Multiple Multiple Multidimen- Corresponde
measurement correlationanaly regression discriminant sional Scaling nce analysis
scale of the
sis with dummy Conjoint Analysis
predictor
variable ? variales analysis Linear
Probability : Dasar klasifikasi
models
metric Non metric
: Teknik Multvariate
Canonical MANOVA Sumber : Lihat Joseph F Hair dkk
correlatio
n
 Klasifikasi of Multivariate Techniques
(Interdependence Method)

Type of Data
Number of variable
Metric Non Metric

• Two way contingency

Two • Simple Corelation
table

• Multiway
• Principal Componen Contingency table
More than two Analysis  Loglinear model
 Faktor Analysis  Corespondence
Analysis
Sumber : Lihat subbash Sharma hal 11
 classification of Multivariate Techniques
(Dependence Method)
Depemden Variable (s)
One More than One

Independent Metric Non Metric Metric Non Metrik

Variale(s)
One Regression Discriminan nalysis Canonical Multiple group
Metric Logistic regression Correlation discriminan
analysis (MDA)
Non Metric t-test Discrete Manova Discrete MDA
Discriminan Analysis (Multivariate
Analysis of
Variance)
More than
One Multiple Discriminan nalysis Canonical Multiple group
Metric regression Logistic regression Correlation discriminan
analysis (MDA)
Non Metric Anova Discrete Manova Discrete MDA
Discriminan (Multivariate
Analysis Analysis of
Conjoint Analysis Variance)
(MONANOVA)

Sumber : Lihat subbash Sharma hal 6