ANALISIS MULTIVARIAT
(Tugas Mata Kuliah Statistika Penelitian Pendidikan)
Dosen Pengampu:
Dr. Nurhanurawati, M. Pd.
Oleh:
Kelompok 5
Dewi Nur Fauzia (2123021008)
Kartika Dwi Handayani (2123021009)
Fitriani (2123021021)
Tri Mustikaningrum (2123021024)
Puji syukur kehadirat Tuhan Yang Maha Esa, karena dengan karunia-Nya kami
dapat menyelesaiakan makalah yang berjudul “Analisis Multivariat” dalam rangka
menyelesaikan tugas mata kuliah Statistika Penelitian Pendidikan.
Penyusun menyadari bahwa dalam menyusun makalah ini masih jauh dari
kesempurnaan, untuk itu penyusun sangat mengharapkan kritik dan saran yang
bersifat membangun guna sempurnanya makalah ini. Penyusun berharap semoga
makalah ini bisa bermanfaat bagi penyusun khususnya dan bagi pembaca pada
umumnya.
Penyusun
DAFTAR ISI
Halaman
HALAMAN COVER...............................................................................................1
KATA PENGANTAR.............................................................................................2
DAFTAR ISI............................................................................................................3
I. PENDAHULUAN............................................................................................4
1.1. Latar Belakang..........................................................................................4
1.2. Rumusan Masalah.....................................................................................4
1.3. Tujuan........................................................................................................5
II. PEMBAHASAN...............................................................................................6
2.1. Pengertian Analisis Multivariat.................................................................6
2.2. Karakteristik Analisis Mutlivariat.............................................................8
2.3. Jenis Data dalam Analisis Multivariat.......................................................8
2.4. Klasifikasi Teknik-Teknik Analisis Multivariat......................................10
2.5. Analisis Diskriminan...............................................................................13
2.6. Analisis Korelasi Kanonikal....................................................................21
2.7. MANOVA...............................................................................................26
2.8. Analisis Cluster.......................................................................................33
2.9. Multidimensional Scaling........................................................................41
III. PENUTUP...................................................................................................54
3.1. Kesimpulan..............................................................................................54
DAFTAR PUSTAKA............................................................................................55
I. PENDAHULUAN
Saat ini analisis multivariate mulai banyak diaplikasikan dalam berbagai bidang
ilmu, melengkapi analisis statistic univariate dan statistic bivariate dalam analisis
data. Pengukuran terhadap suatu variabel penelitian pada hakikatnya mengukur
karakteristik atau sifat-sifat populasi. Dengan merujuk pada pengertian tersebut,
maka karakteristik populasi yang ingin diselidiki harus diketahui secara
komprehensif. Oleh karena itu, variable yang diamat dalam suatu penelitian
umumnya lebih dari satu (multivariabel).
Misalnya jika akan diselidiki apa saja penyebab dari suatu sebuah restoran yang
selalu dipenuhi pengunjung. Tentunya terdapat banyak variabel penyebab yang
dapat mempengaruhi restoran tersebut sehingga bisa dipenuhi oleh pelanggan,
misalnya kualitas pelayanan, letak restoran, diskon pada menu, harga yang sesuai
kualitas, dan sebagainya. Jika akan diselidiki menggunakan analisis univariat
tentunya peneliti akan mengalami kendala, karena analisis univariat dan bivariat
hanya bisa menjelaskan dua hubungan dua variabel dan bersifat parsial, sehingga
tidak dapat menjelaskan hubungan yang kompleks secara komprehensif, sehingga
diperlukan suatu analisis multivariate yang dapat menjelaskan berbagai hubungan
antara variabel penelitian secara komprehensif.
1.3. Tujuan
Ciri kedua dari analisis multivariat adalah data yang diperoleh dari pengamatan
yang demikian seyogyanya dianalisis secara simultan. Metode statistika yang
analisisnya melibatkan multivariable secara simultan tercakup di dalam analisis
multivariat. Analisis data dilakukan secara simultan pada penelitian penelitian
yang variable-variabelnya bersifat saling berhubungan, baik secara teoretis
maupun empiris. Sehingga didalam proses analisis multivariate, hubungan antar
variable tersebut sudah dimasukkan di dalam proses perhitungan. Walaupun
melibatkan multivaribel, namun jika variable tidak saling berhubungan maka hasil
analisis ultivariat akan sama dengan analisis univariate. Demi kesederhanaan
dalam proses analisis dan interpretasi, maka analisis univariate lebih disenangi.
Ciri ketiga dari analisis multivariate adalah interpretasi terhadap hasil analisis
yang dilakukan secara komprehensif. Interpretasi secara komprehensif ini selaras
dengan sifat bahwa didalam analisis multivariate sudah mempertimbangkan
hubungan antar variabel. Dengan demikian informasi yang diperoleh lebih
lengkap dan menyeluruh.
Ciri ketiga ini, sangat terkait dengan tujuan dari penggunaan statistika, apakah
ingin mendapatkan informasi secara komprehensif atau parsial. Masih cukup
banyak didapati, bahwa variabel-variabel yang di analisis saling berhubungan dan
informasi komprehensif lebih baik, namun peneliti (pengguna statistika) masih
melakukan analisis secara parsial dengan metode univariate. Mereka melakukan
analisis univariate dengan informasi bersifat parsial. Hal ini salah satinya
disebabkan oleh kekurangpahaman peneliti tentang analisis multivariat.
Analisis multivariate dapat dikatakan sebagai penggunaan metode statistika yang
berkaitan dengan beberapa variabel yang pengukurannya dilakukan secara
bersamaan dari setiap objek penelitian, dengan proses analisis secara simultan dan
pelaksanaan interpretasi secara komprehensif[ CITATION Sol17 \l 1033 ]. Menurut
[ CITATION Sin17 \l 1033 ] analisis multivariate adalah analisis multivariable dalam
satu atau lebih hubungan. Analisis ini berhubungan dengan semua teknik statistic
yang secara simultan menganalisis sejumlah pengukuran pada individu atau objek.
Jadi kunci penting dari definisi tersebut adalah bahwa penelitian dengan
multivariable yang didalamnya terdapat hubungan-hubungan sehingga proses
analisis harus dilakukan secara simultan. Menurut [ CITATION Ris19 \l 1033 ] , tujuan
utama dari analisis multivariate adalah untuk mengukur, menjelaskan, dan
memprediksi derajat hubungan diantara variate-variate (kombinasi variabel
terbobot).
Seperti diketahui, statistic pada dasarnya adalah data dalam bentuk angka, atau
hanya data yang berupa angka yang dapat diolah dengan metode statistic tertentu.
Dalam praktik, hal ini menghadapai kendala karena tidak semua data berupa
angka. Seperti data gender (pria dan wanita), juga sikap data konsumen yang
dapat bersifat negative, netral atau positif. Dan data non angka semacam intu
disebut dengan data kualitatif (data nonmetrik), untuk membedakannya dengan
data kualitatif (data metrik) seperti tinggi badan, usia seseorang, dan
sebagainya[ CITATION Sin17 \l 1033 ].
Ciri utama data nonmetric atau data kualitatif adalah data didapat dengan cara
menghitung, sehingga tidak akan mempunyai nilai desimal[ CITATION Sin17 \l
1033 ]. Contoh data kualitatif adalah data gender, data golongan darah, data tempat
tinggal, atau data jenis pekerjaan. Agar dapat dilakukan proses data pada data
non-angka atau nonmetrik atau data kualitatif, maka data tersebut mesti diubah
menjadi angka, proses ini dinamakan kategorisasi.
Terdapat dua jenis data yang masuk dalam jenis data kualitatif yaitu data nominal
dan ordinal. Penggunaan angka pada data nominal digunakan untuk memberikan
kode pada data yang bersifat non-angka. contoh pada variabel gender, dapat
diberikan kode/kategori untuk jenis gender, misalkan kode ‘1’ untuk pria dan
kode ‘2’.
Data kualitatif lain, adalah data ordinal. Berbeda dengan data nominal, data ini
mempunyai order (urutan), misalkan terdapat sikap konsumen. Isi dari data
tersebut secara logis dapat disusun sebagai berikut:
Kode 2 = Setuju
Kode 3 = Netral
Terlihat isian data mempunyai urutan, bisa dari sangat setuju ke sangat tidak
setuju atau sebaliknya. Inilai yang menjadi perbedaan dasar dengan data nominal
yang datanya tidak perlu diurutkan.
Data metrik adalah data yang didapat dengan jalan mengukur dan bisa mempunyai
desimal[ CITATION Sin17 \l 1033 ] . Contoh data metrik adalah tinggi badan sesorang
yang bisa saja 170 cm atau 168,45 cm (desimal), usia seseorang bisa saja bernilai
30 tahun atau 29,5 tahun, dan sebagainya.
Dalam praktik, data metric dibagi lagi menjadi data interval dan data rasio.
Keduanya mirip, perbedaanya hanya pada ciri adanya data absolut yang terdapat
pada data rasio. Pada data interval tidak memiliki nilai 0 mutlak. Contoh paling
popular untuk data interval adalah temperature ruangan tertentu, indeks prestasi
mahasiswa (diukur pada skala 0-4).
Dalam data rasio, memiliki titik nol mutlak. Contoh data rasio adalah berat badan,
tinggi badan, biaya promosi.
Teknik analisis multivariat secara dasar diklasifikasi menjadi dua, yaitu analisis
dependensi dan analisis interdependensi. Analisis dependensi berfungsi untuk
menerangkan atau memprediksi variabel tergantung (dependent variable) dengan
menggunakan dua atau lebih variabel bebas. Yang termasuk dalam klasifikasi ini
ialah analisis regresi linear berganda, analisis diskriminan, analisis varian
multivariat (MANOVA), dan analisis korelasi kanonikal. Zikmund (1997: 634)
menyebutkan klasifikasi metode dapat diterangkan sebagai berikut:
Menurut Johson dan Winchern (1992) Analisis diskriminan adalah salah satu
teknik statistik yang bisa digunakan pada bentuk dependensi (hubungan antar
variabel dimana sudah dapat dibedakan variabel respon dan mana variabel
penjelas). Menurut Supranto (2010) analisis diskriminan merupakan teknik
menganalisis data, kalau variabel tak bebas (disebut criterion) merupakan kategori
(non-metrik, nominal atau ordinal, bersifat kualitatif) sedangkan variabel bebas
sebagai prediktor merupakan metrik (interval atau rasio, bersifat kuantitatif).
Analisis diskriminan bertujuan untuk mengklasifikasikan suatu individu atau
observasi ke dalam kelompok yang saling bebas (mutually exclusive/disjoint) dan
menyeluruh (exhaustive) berdasarkan sejumlah variabel penjelas.
Ada dua asumsi utama yang harus dipenuhi pada analisis diskriminan ini, yaitu:
Variabel tergantung hanya satu dan bersifat non-metrik, artinya data harus
kategorikal dan berskala nominal.
Variabel bebas terdiri lebih dari dua variabel dan berskala interval.
Semua kasus harus independen.
Semua variabel prediktor sebaiknya mempunyai distribusi normal multivariat,
dan matriks varians-kovarians dalam kelompok harus sama untuk semua
kelompok.
Keanggotaan kelompok diasumsikan ekseklusif, maksudnya tidak satupun
kasus yang termasuk dalam kelompok lebih dari satu dan exhaustive secara
kolektif, maksudnya semua kasus merupakan anggota dalam satu kelompok.
Contoh Kasus :
Dari data pada tabel di bawah ini ingin diketahui faktor-faktor apa sajakah yang
membedakan siswa mandiri dan non-mandiri. 10 siswa diukur motivasi belajarnya
dan kerajinannya menggunakan kuesioner. Adapun data yang dikumpulkan
sebagai berikut:
1. Masukkan data ke data view dan definisi variabel pada variable view. Data
siswa mandiri dan non mandiri di beri koding dikotomi (1 dan 2 atau 1 dan o).
2. Klik menu analyze, klik clssify lalu Discriminant
4. Klik menu statistics dan aktifkan semua menu sebagai berikut di bawah ini dan
pilih continue.
5. Pilih menu classification dan aktifkan menu Casewise Results, dan semua
pilihan dalam Plot. Pilih Continue.
Output
Nilai Wilks’ Lambda variabel motivasi menunjukkan nilai sebesar 0,544 dengan
signifikansi 0,001 yang berarti ada perbedaan signifikan antara motivasi siswa
mandiri dan non mandiri. Nilai Wilks’ Lambda variabel kerajinan menunjukkan
nilai sebesar 0,920 dengan signifikansi 0,227 yang berarti tidak ada perbedaan
signifikan antara kerajinan siswa mandiri dan non mandiri. Berdasarkan nilai
tersebut sudah dapat disimpulkan dalam contoh ini, faktor yang membedakan
siswa mandiri dan non mandiri adalah motivasi.
Output
Unstandardized coefficients
Koef1
W1=
√ (koef12 +koef22 )
1,280
W1= = 0,982
√ (1,2802 +0,2492 )
Koef2
0,249
W2= = 0,191
√ (1,2802 +0,2492 )
Fungsi diskriminan unstandarized dapat ditulis dengan persamaan sebagai berikut:
Y = 0,982 Motivasi + 0,191 Kerajinan
Nilai Wilks’ Lambda sebesar 0,537 dengan nilai signifikan 0,005 berarti ada
perbedaan antara kelompok siswa mandiri dan non mandiri.
Output
Dalam casewise statistics dapat dilihat kesalahan dalam klasifikasi yaitu observasi
no 5, 6, 10 dan 18. Misalnya posterior probability untuk observasi no 20 untuk
kelompok 1 dan 2 sebesar 0,688 dan 0,312.
Sejalan dengan hal itu, berdasarkan penelitian dari Siregar (2017), analisis
korelasi kanonikal digunakan untuk identifikasi dan kuantifikasi hubungan antara
dua himpunan variabel. Analisis ini dapat digunakan baik untuk data kuantitatif
atau metrik maupun data kualitatif atau non metrik. Sama seperti semua analisis
statistika multivariat, analisis korelasi kanonikal didahului dengan pengujian data
dan pengujian asumsi.
1. Uji Linieritas
Menurut Santoso (2015: 278), bahwa asumsi pada korelasi kanonikal harus
adanya hubungan yang bersifat linier (linieritas) antar dua variabel. Linearitas
adalah keadaan dimana hubungan antara variabel dependen dengan variabel
independen bersifat linear (garis lurus) dalam range variabel independen
tertentu. Linieritas bisa diuji dengan menggunakan scatter plot (diagram
pencar) seperti yang digunakan untuk deteksi data outlier, dengan memberi
tambahan garis regresi.
2. Uji Normalitas
Menurut Sujarweni (2015: 52), uji normalitas data ini sebaiknya dilakukan
sebelum data diolah berdasarkan model-model penelitian. Uji normalitas ini
bertujuan untuk mengetahui distribusi data dalam variabel yang akan
digunakan dalam penelitian. Berikut merupakan beberapa cara yang dapat
dilakukan apabila sebaran data tidak normal :
3. Uji Multikolinieritas
Menurut Santoso (2018: 279), bahwa asumsi pada korelasi kanonikal harus
tidak ada multikolinieritas antar anggota kelompok variabel, baik variabel
dependen maupun variabel independen. Menurut Sujarweni (2015: 185), uji
multikolinearitas diperlukan untuk mengetahui ada tidaknya variabel
independen yang memiliki kemiripan antar variabel independen dalam suatu
model. Selain itu untuk uji ini juga digunakan untuk menghindari kebiasan
dalam proses pengambilan keputusan mengenai pengaruh pada uji parsial
masing-masing variabel independen terhadap variabel dependen. Jika nilai VIF
yang dihasilkan diantara 1-10 maka tidak terjadi multikolinieritas.
a. Penetapan Tujuan
b. Perancangan Analisis Korelasi Kanonikal
c. Uji Data dan Uji Asumsi
d. Penetapan Korelasi Kanonikal dan Uji Kesesuaian Keseluruhan Model
e. Interpretasi Variat Kanonikal
Contoh :
Sebagai contoh peneliti ingin menganalisis pengaruh atribut iklan televisi yaitu
tema iklan, jalan cerita, bintang iklan dan jingle lagu terhadap respon pemirsa
yaitu perhatian (attention), minat (interest), kebutuhan (desire), rasa percaya
(conviction) dan tindakan (action). Dalam hal ini terdapat 100 responden
Secara grafis, digambarkan hubungan variabel contoh kasus sebagai berikut:
Untuk pengolahan data korelasi kanonikal menggunakan SPSS dapat
dilakukan dengan langkah :
A. Pengertian MANOVA
Tujuan dari MANOVA adalah untuk menguji apakah vektor rataan dua atau lebih
grup sampel diambil dari sampel distribusi yang sama. MANOVA biasa
digunakan dalam dua kondisi utama. Kondisi pertama adalah saat terdapat
beberapa variabel dependen yang berkorelasi, sementara peneliti hanya
menginginkan satu kali tes keseluruhan pada kumpulan variabel ini dibandingkan
dengan beberapa kali tes individual. Kondisi kedua adalah saat peneliti ingin
mengetahui bagaimana variabel independen mempengaruhi pola variabel
dependennya.
Dalam MANOVA terdapat beberapa statistik uji yang dapat digunakan untuk
membuat keputusan dalam perbedaan antar-kelompok. Adapun statistik uji dalam
MANOVA, yaitu:
1. Pillai’s Trace
Merupakan statistik uji yang digunakan apabila tidak terpenuhinya asumsi
homogenitas pada varians-kovarians, memiliki ukuran sampel kecil, dan jika
hasil-hasil dari pengujian bertentangan satu sama lain yaitu jika ada beberapa
variabel dengan rata-rata yang berbeda sedang yang lain tidak. Semakin tinggi
nilai statistik Pillai’s Trace, maka pengaruh terhadap model akan semakin
besar.
2. Wilk’s Lambda
Merupakan statistik uji yang digunakan apabila terdapat lebih dari dua
kelompok variabel independen dan asumsi homogenitas matriks varians-
kovarians dipenuhi. Semakin rendah nilai statistik Wilk’s Lambda, pengaruh
terhadap model semakin besar. Nilai Wilk’s Lambda berkisar antara 0- 1.
3. Hotelling’s Trace
Merupakan statistik uji yang digunakan apabila hanya terdapat dua kelompok
variabel independen. Semakin tinggi nilai statistik Hotelling’s Trace, pengaruh
terhadap model semakin besar.
4. Roy’s Largest Root merupakan statistik uji yang hanya digunakan apabila
asumsi homogenitas varians-kovarians dipenuhi. Semakin tinggi nilai statistik
Roy’s Largest Root, maka pengaruh terhadap model akan semakin besar.
D. Pengolahan Data MANOVA Menggunakan SPSS
Contoh :
Seorang guru matematika ingin mengetahui metode pembelajaran yang akan ia
terapkan. Pada tahap awal ia mengajar dengan metode 1 dikelas A dan kelas
B, kemudian melakukan tes ujian kepada siswa-siswanya. Selanjutnya ia
melakukan pembelajaran dengan metode 2 pada kedua kelas tersebut dan
kemudian melakukan tes ujian. Hasil ujian tes siswa pada kedua metode
pembelajaran tersebut sebagai berikut :
Analisis cluster merupakan teknik multivariat yang mempunyai tujuan utama untuk
mengelompokkan objek-objek berdasarkan karakteristik yang dimilikinya. Analisis
cluster mengklasifikasi objek sehingga setiap objek yang paling dekat kesamaannya
dengan objek lain berada dalam cluster yang sama. Cluster-cluster yang terbentuk
memiliki homogenitas internal yang tinggi dan heterogenitas eksternal yang tinggi.
Berbeda dengan teknik multivariat lainnya, analisis ini tidak mengestimasi set vaiabel
secara empiris sebaliknya menggunakan setvariabel yang ditentukan oleh peneliti itu
sendiri. Fokus dari analisis cluster adalah membandingkan objek berdasarkan set variabel,
hal inilah yang menyebabkan para ahli mendefinisikan set variabel sebagai tahap kritis
dalam analisis cluster. Set variabel cluster adalah suatu set variabel yang
merpresentasikan karakteristik yang dipakai objek-objek. Bedanya dengan analisis faktor
adalah bahwa analisis cluster terfokus pada pengelompokan objek sedangkan analisis
faktor terfokus pada kelompok variabel.
Solusi analisis cluster bersifat tidak unik, anggota cluster untuk tiap penyelesaian atau
solusi tergantung pada beberapa elemen prosedur dan beberapa solusi yang berbeda dapat
diperoleh dengan mengubah satu elemen atau lebih. Solusi cluster secara keseluruhan
bergantung pada variabel-variabel yang digunakan sebagai dasar untuk menilai
kesamaan. Penambahan atau pengurangan variabel-variabel yang relevan dapat
mempengaruhi substansi hasi analisisi cluster.
Analisis cluster merupakan suatu teknik analisis statistik yang ditujukan untuk
membuat klasifikasi individu-individu atau objek-objek kedalam kelompok-
kelompok lebih kecil yang berbeda satu dengan yang lain. Prosedur analisis
cluster digunakan untuk mengidentifikasi kelompok kasus yang secara relatif
sama yang didasarkan pada karakteristik-karakteristik yang sudah dipilih dengan
menggunakan algoritma yang dapat mengatur kasus dalam jumlah besar.
Algoritma yang digunakan mengharuskan peneliti membuat spesifikasi jumlah
cluster-cluster yang akan dibuat. Metode yang digunakan untuk membuat
klasifikasi dapat dipilih satu dari dua metode, yaitu memperbaharui kelompok-
kelompok cluster secara iteratif atau hanya melakukan klasifikasi. Dalam analisis
cluster tidak ada variabel bebas dan tergantung karena model analisis ini
merupakan model independent. Kegunaan utama ialah untuk mengelompokkan
objek-objek berdasarkan karakteristik tertentu yang sama. Objek dapat berupa
benda, misalnya produk ataupun orang yang biasa disebut responden. Cluster
sebaiknya mempunyai kesamaan yang tinggi dalam (within) kelompok cluster
tersebut tetapi mempunyai perbedaan yang besar antar (between) kelompok
cluster.
1. Data yang digunakan untuk analisis ini ialah data kuantitatif berskala interval
atau rasio.
2. Metode yang ada ialah hubungan antara kelompok (between-groups linkage),
hubungan dalam kelompok (within-groups linkage), kelompok terdekat (nearest
neighbor), kelompok berikutnya (furthest neighbor), cluster centroid (centroid
clustering), cluster median (median clustering), dan metode Ward’s.
Sumber Data:
Data indikator pendidikan Kabupaten/Kota di Jawa Timur tahun 2013 merupakan data
sekunder yang diperoleh dari publikasi Badan Pusat Statistik (BPS) Provinsi Jawa Timur.
Variabel yang digunakan dalam penelitian ini adalah sebagai berikut:
1. Analisis Korelasi
Salah satu asumsi yang harus dipenuhi dalam analisis cluster adalah antar variabel
indikator harus bebas dari korelasi. Untuk melihat ada tidaknya korelasi antar variabel
indikator, dilakukan analisis korelasi dengan hipotesis sebagai berikut:
H0 : Tidak terdapat korelasi antara variabel indikator pendidikan Jawa Timur tahun 2013
H1 : Terdapat korelasi antara variabel indikator pendidikan Jawa Timur tahun 2013
2. Analisis Komponen
Hasil dari analisis komponen utama menunjukkan bahwa nilai KMO = 0.578 yang dapat
disimpulkan bahwa data cukup untuk dilakukan analisis faktor.
Hasil analisis faktor diperoleh dua eigen value yang lebih dari 1 yang menunjukkan
bahwa didapatkan dua faktor yang mewakili 10 indikator pendidikan di Jawa Timur tahun
2013 seperti terlihat dari scree plot di bawah ini:
Selanjutnya dilakukan analisis hierarchial cluster terhadap dua faktor yang terbentuk.
3. Analisis Hierarchial Cluster
Setelah jarak antar variabel diukur dengan cara Euclidean, selanjutnya dilakukan
pengelompokan variabel secara hierarkis. Cara hierarki berarti pengelompokan dilakukan
secara bertingkat, satu demi satu, atau dari terbentuknya cluster yang banyak, selanjutnya
jumlah cluster berkurang sehingga akhirnya semua menjadi satu cluster saja. Cara ini
dinamakan agglomerasi. Proses agglomerasi pada akhirnya akan menyatukan semua
variabel menjadi satu cluster. Hanya dalam prosesnya, dihasilkan beberapa cluster
dengan masing-masing anggotanya, tergantung jumlah cluster yang terbentuk. Perincian
cluster yang terbentuk dapat dilihat pada dendogram dalam Gambar 2 di atas.
Penentuan banyak kelompok dapat dilihat dari pemotongan dendogram pada selisih jarak
penggabungan terbesar. Dari pemotongan dendogram tersebut diperoleh dua cluster.
Perincian cluster yang terbentuk adalah sebagai berikut:
Kediri, Kota Probolinggo, Kota Blitar, Tulungagung, Madiun, Kota Pasuruan, Kota
Kediri, Mojokerto, Kota Malang, Ngawi, Trenggalek, Tuban, Ponorogo, Jombang, Kota
Surabaya, Kota Mojokerto, Kota Madiun, Pamekasan, Sumenep, Banyuwangi,
Bojonegoro, Pacitan, Situbondo, Nganjuk, Magetan, Lamongan, Gresik, Kota Batu, dan
Sidoarjo. Malang, Pasuruan, Bangkalan, Sampang, Jember, Probolinggo, Lumajang,
Bondowoso dan Blitar.
Setelah diperoleh dua cluster kabupaten/kota yang mewakili tingkat pendidikan yang
relatif sama, selanjutnya dilakukan perbandingan nilai rata-rata dari cluster yang
terbentuk. Berikut adalah rata-rata setiap variabel dari dua cluster yang terbentuk:
Dari tabel 3 di atas dapat dikelompokkan bahwa cluster 1 memiliki tingkat pendidikan
yang lebih tinggi dibandingkan cluster 2. Cluster 1 memiliki rata-rata angka melek huruf,
angka partisipasi sekolah 7-12 tahun, angka partisipasi sekolah 13-15 tahun, angka
partisipasi sekolah 16-18 tahun, angka partisipasi kasar 13-15 tahun, angka partisipasi
kasar 16-18 tahun, angka partisipasi murni 13-15 tahun, dan angka partisipasi murni 16-
18 tahun yang lebih tinggi daripada cluster 2. Dibandingkan dengan cluster 1, cluster 2
memiliki keunggulan pada nilai rata-rata angka partisipasi kasar dan angka partisipasi
murni pada jenjang usia 7-12 tahun.
Kesimpulan:
Berdasarkan hasil analisis hierarchial cluster terhadap data indikator pendidikan tiap
Kabupaten/Kota di Jawa Timur tahun 2013 dapat disimpulkan bahwa terbentuk 2 cluster.
Cluster pertama terdiri dari 29 kabupaten/kota yaitu, Kediri, Kota Probolinggo, Kota
Blitar, Tulungagung, Madiun, Kota Pasuruan, Kota Kediri, Mojokerto, Kota Malang,
Ngawi, Trenggalek, Tuban, Ponorogo, Jombang, Kota Surabaya, Kota Mojokerto, Kota
Madiun, Pamekasan, Sumenep, Banyuwangi, Bojonegoro, Pacitan, Situbondo, Nganjuk,
Magetan, Lamongan, Gresik, Kota Batu, dan Sidoarjo yang memiliki tingkat pendidikan
lebih tinggi disbanding cluster 2. Cluster kedua terdiri dari 9 kabupaten/kota yaitu,
Malang, Pasuruan, Bangkalan, Sampang, Jember, Probolinggo, Lumajang, Bondowoso
dan Blitar.
2. Jika data dalam bentuk keterbedaan, maka data tersebut harus kuantitatif dan
diukur dengan skala pengukuran metrik yang sama, misalnya skala pengukuran
interval. Jika data merupakan data multivariat, maka variabel-variabel dapat
berupa kuantitatif, biner atau data hitungan. Jika data mempunyai perbedaan
dalam skala, misalnya ada rupiah, tahun, meter, dstnya; maka data tersebut harus
di standarisasi terlebih dahulu dengan menggunakan prosedur yang sudah ada di
dalam teknik ini.
4. Jika file data mewakili jarak antara seperangkat obyek atau jarak antara dua
perangkat obyek, maka Peneliti harus melakukan spesifikasi bentuk matriks data
untuk memperoleh hasil yang benar. Pilihlah alternatif sebagai berikut: Square
symmetric, Square asymmetric, atau Rectangular.
5. Multidimensional scaling menggunakan data yang berbeda untuk membuat
solusi penggunaan skala. Jika data merupakan data multivariat, maka Peneliti
harus menciptakan data yang berbeda untuk menghitung solusi multidimensional
scaling. Peneliti dapat membuat spesifikasi detil-detil data tersebut dengan cara
menciptakan pengukuran keterbedaan dari data yang peneliti miliki.
Block. Jumlah perbedaan absolut antara nilai-nilai item; yang juga disebut
sebagai Manhattan distance.
Variance. Dihitung dari tabel lipat empat sebagai (b+c)/4n, dimana b dan c
mewakili sel-sel diagonal yang berhubungan dengan kasus- kasus yang hadir
satu item tetapi absen di item-item lain dan n merupakan jumlah observasi
total dengan kisaran nilai dari 0 ke 1.
Lance and Williams. Dihitung dari tabel lipat empat sebagai (b+c)/(2a+b+c),
dimana a mewakili sel yang berhubungan dengan dengan kasus-kasus yang
hadir dalam kedua item, dan b serta c mewakili sel-sel diagonal yang
berhubungan dengan kasus-kasus yang hadir satu item tetapi absen di item-
item lain. Pengukuran ini berkisar dari 0 ke 1. Pengukuran ini dikenal juga
sebagai Bray-Curtis nonmetric coefficient.
Pengukuran nilai-nilai yang ditransformasi digunakan:
Estimasi yang tepat dalam suatu model multidimensional scaling tergantung pada
aspek-aspek data dan model itu sendiri. Di bawah ini akan dibahas mengenai
tingkat pengukuran, persyaratan, dimensi dan model scaling.
Setiap guru atau dosen pastilah telah memiliki pendapat mengenai kemiripan
setiap pasangan aplikasi pembelajaran daring. Penelitian ini bertujuan untuk
memetakan posisi dari 7 aplikasi yang sering digunakan sebagai platform
pembelajaran daring dalam suatu ruang multidimensi berdasarkan pendapat
responden mengenai kemiripan ketujuh aplikasi tersebut. Ketujuh aplikasi
tersebut adalah Whatsapp, Telegram, Google Classroom, Schoology, Teams,
LMS Moodle, dan Edmodo. Hasil akhir dari penelitian ini adalah suatu peta
spasial yang menggambarkan kemiripan tujuh aplikasi tersebut. Penelitian ini
bersifat deskriptif eksploratif dengan menggunakan multidimensional scaling non
atribut sebagai metode analisis data. Terdapat 30 responden yang bersedia
berpartisipasi dengan memberikan pendapat mengenai seberapa mirip masing-
masing platform. Hasil analisis menunjukkan bahwa dalam peta spasial yang
terbentuk terdapat 3 kelompok yang muncul, yaitu kelompok 1 terdiri atas
Telegram dan Whatsapp, kelompok 2 terdiri atas Moodle, Schoology, dan
Edmodo, dan kelompok 3 berisikan Google Classroom dan Teams. Hasil MDS ini
memiliki tingkat stress sebesar 4,98% dan nilai R 2 sebesar 0.993 yang berarti
MDS dinilai sangat baik.
Kriteria utama yang digunakan dalam memilih responden adalah tingkat pengetahuan
mereka mengenai berbagai platform pembelajaran daring. Responden yang ideal adalah
responden yang pernah mengenal ketujuh platform tersebut. Pengumpulan data dilakukan
menggunakan Google Form yang terdiri dari 2 bagian. Bagian yang pertama digunakan
untuk menanyakan mengenai identitas responden. Bagian yang kedua adalah bagian yang
digunakan untuk menilai kemiripan setiap pasangan platform dari 7 platform/aplikasi
7
yang diteliti. Dengan demikian, terdapat C 2 = 21 pasangan platform. Untuk setiap
pasangan, responden diminta untuk menilai kemiripannya dengan skala Likert dari 1
hingga 5 dengan 1 menunjukkan sangat mirip dan 5 menunjukkan sangat tidak mirip.
Responden dapat menggunakan kriteria apa saja yang ada dalam benak mereka untuk
menentukan tingkat kemiripannya (Janssens, W., De Pelsmacker, P., Wijnen, K., & Van
Kenhove, 2008). Form kemudian disebar di berbagai grup Whatsapp, Telegram, dan
Facebook yang memuat dosen dan guru-guru. Selain itu, form juga dikirimkan ke dosen
atau guru yang diketahui memiliki pengetahuan lebih mengenai berbagai platform
pembelajaran daring. Pengumpulan data dilakukan selama 7 hari yaitu di minggu kedua
bulan Desember 2020. Terdapat 30 responden yang bersedia mengisi instrumen
pengumpulan data.
4. Menghitung nilai stress dan R2 dari hasil analisis sebagai wujud kevalidan
hasil analisis.
(Janssens, W., De Pelsmacker, P., Wijnen, K., & Van Kenhove, 2008)
Sedangkan untuk nilai R2, hasil MDS dinyatakan dapat diterima jika nilai R2 > 0.6
(Nafisah & Setiawan, 2019).
1. Profil Responden
Terdapat sebanyak 30 guru dan dosen yang bersedia mengisi form. Sebagian besar
dari responden berasal dari Jawa Tengah yaitu Kota dan Kabupaten Pekalongan,
Kota Solo, Kota Kudus, Kota Kebumen, Kota Semarang, dan Purworejo. Selain
itu, terdapat 5 responden dari luar Jawa Tengah yaitu dari Kota Yogyakarta, Kota
Surabaya, Kota Pontianak, Kota Tasikmalaya, dan dari Provinsi Nangroe Aceh
Darusalam. Dari 30 responden tersebut, diketahui bahwa 28 orang di antaranya
adalah dosen dan 2 orang di antaranya adalah guru. Hal ini penting untuk
diketahui mengingat kebijakan sekolah dan universitas selama masa pandemi
berbeda-beda. Akan tetapi, kebijakan di sekolah satu biasanya juga diikuti di
sekolah lain. Oleh sebab itu, faktor institusi asal responden merupakan atribut
yang perlu diperhatikan.
Pembahasan:
Pada MDS non atribut, tidak dapat ditentukan pertimbangan apa yang digunakan
responden dalam menentukan tingkat kemiripan sepasang objek. Yang dapat
dlilakukan hanyalah membuat dugaan mengenai dimensi apa yang digunakan
untuk melakukan penilaian sesuai dengan peta persepsi yang terbentuk
selanjutnya melakukan penelitian yang sama menggunakan pendekatan atribut
(Herman, 2010) atau dengan analisis data lain seperti analisis korespondensi (Kim
& Agrusa, 2005). Oleh sebab itu, pada bagian ini hanya akan dibahas mengenai
tingkat kemiripan platform yang letaknya berdekatan. Tingkat kemiripan tersebut
dapat dilihat dari kedekatan jaraknya, letaknya dalam satu kuadran, atau letaknya
pada setiap dimensi/sumbu koordinat.
Dari Gambar 1 tampak bahwa platform Google Classroom dianggap mirip dengan
Teams karena terletak berdekatan dan pada kuadran yang sama. Hal yang sama
juga terjadi pada Edmodo, Moodle, dan Schoology yang terletak pada kuadran
yang sama dan berdekatan Untuk aplikasi Telegram dan WA, meskipun tidak
berdekatan dan tidak terletak pada kuadran yang sama, kedua aplikasi tersebut
dapat dianggap mirip jika hanya dilihat dari koordinat kedua aplikasi tersebut
pada dimensi 1. Hal ini diperkuat dengan nilai kemiripan yang dimiliki oleh
Telegram dan WA yaitu 1,74. Nilai ini mendekati nilai kemiripan yang dimiliki
Google Classroom dan Teams yaitu 1,50.
Jika dilihat hanya dari dimensi 1, Telegram hanya berdekatan dengan WA dan
aplikasi yang lain saling berdekatan. Dalam hal ini dapat dikatakan bahwa
kemungkinan dimensi 1 merupakan dimensi yang mempertimbangkan bahwa
aplikasi Telegram dan WA bukanlah sebuah platform pembelajaran daring
merupakan hanyalah aplikasi pesan yang memiliki fitur grup yang dapat
digunakan sebagai kelas online. Pada Telegram dan WA juga tidak ada fitur
administrasi kelas dan administrasi penilaian seperti halnya aplikasi pembelajaran
daring yang lain.
Simpulan:
3.1. Kesimpulan
Teknik analisis multivariat secara dasar diklasifikasi menjadi dua, yaitu analisis
dependensi dan analisis interdependensi. Analisis dependensi berfungsi untuk
menerangkan atau memprediksi variabel tergantung (dependent variable) dengan
menggunakan dua atau lebih variabel bebas. Yang termasuk dalam klasifikasi
analisis dependensi ialah analisis regresi linear berganda, analisis diskriminan,
analisis varian multivariat (MANOVA), dan analisis korelasi kanonikal. Analisis
interdependensi berfungsi untuk memberikan makna terhadap seperangkat
variabel atau membuat kelompok- kelompok secara bersama-sama. Yang
termasuk dalam klasifikasi ini ialah analsis faktor, analisis kluster, dan
multidimensional scaling.
DAFTAR PUSTAKA
Gunawan, C. 2018. Mahir Menguasai SPSS (Mudah Mengolah Data Dengan Ibm
Spss Statistic 25). Yogyakarta: CV. Budi Utama.
Supranto, J. 2004. Analisis Multivariat Arti & Interpretasi. Jakarta: Rineka Cipta.