Contoh:
Apakah pengatahuan berhubungan dengan
sikap?
Apakah persepsi pasien terhadap kualitas
5
Korelasi Rank Spearman
Spearman’s rho, ρs
Informasi dari uji Korelasi
7
Informasi dari uji Korelasi
8
Koefisien Korelasi
sempurna
r = -1.0 menunjukkan hubungan linier negatif
sempurna
r = 0 menunjukkan tidak ada hubungan
9
Koefisien Korelasi
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
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
17
Analisis Regresi Linier
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
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
25
Analisis Regresi Linier Berganda: R2
Model Summary
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
Persamaan regresinya:
Y= α +b.Xduration +b.Xwheather importance
Sikap thd kota = 0.337 +0.481Xduration +0.289.Xwheather importance
H 0
:
1 2
H 1
:
1
2
Two Related (Paired) Samples – Sampel Berpasangan
39
Analisis Of Varian
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
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
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 :
Type of Data
Number of variable
Metric Non Metric
• 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