HALAMAN COVER

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)

PROGRAM STUDI MAGISTER PENDIDIKAN MATEMATIKA

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS LAMPUNG
BANDARLAMPUNG
2021
 KATA PENGANTAR

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 mengucapkan terima kasih kepada semua pihak yang memberi

kontribusi baik langsung maupun tidak langsung dalam penyusunan makalah ini
terutama kepada Ibu Dr. Nurhanurawati, M.Pd. sebagai dosen pengampu dalam
mata kuliah Statistika Penelitian Pendidikan, serta para anggota kelompok yang
berkontribusi dalam pembuatan makalah.

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.

Bandarlampung, 24 Oktober 2021

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

1.1. Latar Belakang

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.

1.2. Rumusan Masalah

Adapun rumusan masalah pada makalah ini adalah sebagai berikut.

1. Apa pengertian analisis multivariat?
2. Bagaimana karakteristik analisis multivariat?
3. Apa saja jenis data dalam analisis multivariat?
4. Bagaimana Klasifikasi dalam Analisis Univariat?
5. Bagaimana cara Analisis Diskriminan?
6. Bagaimana cara Analisis Korelasi Kanonikal?
7. Bagaimana cara analisis MANOVA?
8. Bagaimana cara analisis cluster?
9. Bagaimana cara analisis multidimensional scaling?

1.3. Tujuan

Adapun tujuan pembuatan makalah ini adalah sebagai berikut

1. Untuk mengetahui pengertian analisis multivariat
2. Untuk mengetahui karakteristik analisis multivariat
3. Untuk mengetahui jenis data dalam analisis multivariat
4. Untuk mengetahui cara Analisis Diskriminan
5. Untuk mengetahui cara Analisis Korelasi Kanonikal
6. Untuk mengetahui cara MANOVA
7. Untuk mengetahui cara analisis clustester
8. Untuk mengetahui cara analisis multidimensional scaling
 II. PEMBAHASAN

2.1. Pengertian Analisis Multivariat

Pengukuran terhadap suatu variable 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 (multivariable) dan sangat jarang penelitian hanya
mengamati variable tunggal.

Sangat jarang penelitian yang melibatkan variable tunggal dan kebanyakan

melibatkan banyak variable atau multivariable. Tetapi mengapa masih ada analisis
univariate? Hal tersebut dikarenakan tidak semua penelitian yang melibatkan
multivariable selalu dianalisis dengan multivariate.

Sebagaimana diketahui bahwa dalam penelitian terdapat dua analisis yang

digunakan yaitu analisis univariate dan analisis multivariate. Kapan analisis
multivariate digunakan? Penelitian yang melibatkan multivariable layak dilakukan
secara analisis multivariate jika variable-variabel diamati secara bersamaan atau
serempak. Jika pengamatan variable-variabel penelitian tidak dilakukan secara
bersama-sama, maka analisis yang tepat adalah analisis univariate. Hal ini berlaku
walaupun penelitian tersebut melibatkan multivariable.

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).

2.2. Karakteristik Analisis Mutlivariat

Analisis statistik multivariat merupakan metode statistik yang memungkinkan

peneliti melakukan penelitian terhadap lebih dari dua variabel secara
bersamaan[ CITATION onyWijaya \l 1033 ]. Dengan menggunakan teknik analisis ini
maka peneliti dapat menganalisis pengaruh beberapa variabel terhadap variabel
lainnya dalam waktu yang bersamaan. Sebagai contoh peneliti dapat menganalisis
pengaruh variabel kualitas produk, harga, promosi dan distribusi terhadap
keputusan pembelian produk. Contoh yang lain, misalnya perbedaan kinerja
karyawan berdasarkan usia, pendapatan, dan pendidikan.

Analisis multivariat digunakan karena pada kenyataannnya masalah yang terjadi

tidak dapat diselesaikan dengan hanya menghubung-hubungkan dua variabel atau
melihat pengaruh satu variabel terhadap variabel lainnya. Sebagaimana contoh di
atas, variabel keputusan pembelian dipengaruhi tidak hanya oleh kualitas produk
tetapi juga oleh harga, promosi dan, distribusi produk tersebut. Kinerja dapat
dilihat dari perbedaan pendidikan, misalnya karyawan berpendidikan Strata 1 (S1)
memiliki kinerja yang lebih baik dibandingkan karyawan yang berpendidikan
Diploma atau Sekolah Menengah dan sebagainya.

2.3. Jenis Data dalam Analisis Multivariat

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 ].

A. Data Nonmetrik (Data Non Kualitatif)

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 1 = Sangat setuju

Kode 2 = Setuju

Kode 3 = Netral

Kode 4 = Tidak Setuju

Kode 5 = Sangat Tidak Setuju

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.

B. Data Metrik (Data Kualitatif)

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.

2.4. Klasifikasi Teknik-Teknik Analisis Multivariat

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:

A. Metode dependensi diklasifikasikan didasarkan pada jumlah variabel

tergantung, misalnya satu atau lebih dan skala pengukuran bersifat metrik atau
non metrik.
 Jika variabel tergantung hanya satu dan pengukurannya bersifat metrik,
maka teknik analisisnya digunakan analisis regresi berganda.
 Jika variabel tergantung hanya satu dan pengukurannya bersifat non-metrik,
maka teknik analisisnya digunakan analisis diskriminan.
 Jika variabel tergantung lebih dari satu dan pengukurannya bersifat metrik,
maka teknik analisisnya digunakan analisis multivariate varian.
 Jika variabel tergantung lebih dari satu dan pengukurannya bersifat non-
metrik, maka teknik analisisnya digunakan analisis conjoint.
 Jika variabel tergantung dan bebas lebih dari satu dan pengukurannya
bersifat metrik atau non metrik, maka teknik analisisnya digunakan analisis
korelasi kanonikal.
 Contoh umum untuk metode dependensi, misalnya memprediski kinerja
manajerial dengan menggunakan partisipasi anggaran dan job relevant
information.

B. Analisis interdependensi berfungsi untuk memberikan makna terhadap

seperangkat variabel atau membuat kelompok- kelompok secara bersamasama.
Yang termasuk dalam klasifikasi ini ialah analsis faktor, analisis kluster, dan
multidimensional scaling. Contoh membuat klasifikasi terhadap kelompok
konsumen tertentu atau keperluan segmentasi misalnya preferensi konsumen
berdasarkan kelompok usia.
Metode interdependensi diklasifikasikan didasarkan pada jenis masukan
variabel dengan skala pengukuran bersifat metrik atau non metrik. Jika
masukan data berskala metrik, maka dapat menggunakan teknik analisis faktor,
analisis kluster dan multidimensional scaling. Jika masukan data berskala non-
metrik, maka peneliti hanya dapat menggunakan teknik analisis
multidimensional scaling non metrik.
 Ringkasan Teknik Analisis Dependensi Multivariat
Pada bagian ini akan dibahas mengenai ringkasan teknik-teknik analisis
depedensi multivariat sebagaimana dalam tabel di bawah ini.
 Ringkasan Teknik Analisis lnterdependensi Multivariat
Pada bagian berikut ini akan digambarkan tabel 2 berupa ringkasan teknik
analisis interdependensi multivariat.
2.5. Analisis Diskriminan

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:

1. Sejumlah p variabel penjelas harus berdistribusi normal.

2. Matriks varians-covarians variabel penjelas pada kedua kelompok harus sama.

Jika dianalogikan dengan regresi linier, maka analisis diskriminan merupakan

kebalikannya. Pada regresi linier, variabel respon yang harus mengikuti distribusi
normal dan homoskedastis, sedangkan variabel penjelas diasumsikan fixed,
artinya variabel penjelas tidak disyaratkan mengikuti sebaran tertentu. Untuk
analisis diskriminan, variabel penjelasnya seperti sudah disebutkan di atas harus
mengikuti distribusi normal dan homoskedastis, sedangkan variabel responnya
fixed.

Untuk menggunakan teknik analisis ini syarat-syarat yang harus dipenuhi

diantaranya ialah:

 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:

Prosedur pengolahan data:

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

3. Masukkan siswa ke dalam Grouping variables, dalam define variables, isikan 1

untuk minimum (mandiri) dan 2 untuk maksimum (tidak mandiri), Pada kolom
independents isikan motivasi dan kerajinan.

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 Analisis Diskriminan

Nilai rata-rata menunjukkan rata-rata motivasi siswa mandiri sebesar 4,00 dan
siswa non mandiri sebesar 2,70. Nilai rata-rata kerajinan siswa mandiri sebesar
3,20 dan siswa non mandiri sebesar 2,80. Nilai tersebut hanya menunjukkan
perbandingan rata-rata antara siswa mandiri dan non mandiri, namun hasil ini
belum menunjukkan signifikansi perbedaan. Untuk pembuktian perbedaan perlu
dilakukan uji-t atau melihat signifikansi Wilks’ Lambda.

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

Fungsi diskriminan unstandarized dapat ditulis dengan persamaan sebagai berikut:

Y = -5,034 + 1,280 Motivasi + 0,249 Kerajinan Nilai persamaan di atas dapat

distandarkan dengan dengan menghitung bobot masing-masing koefisien serta
mengabaikan nilai konstanta. Rumus menghitung bobot (w) sebagai berikut:

Koef1

W1=

√ (koef12 +koef22 )

1,280

W1= = 0,982

√ (1,2802 +0,2492 )

Koef2

W2= √ (koef12 +koef22 )

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.

a. First 1 canonical discriminant functions were used in the analysis.

Nilai Canonical Correlation sebesar 0,681 menunjukkan kemampuan atau

kontribusi dari faktor-faktor diskriminan yang menjelaskan siswa mandiri dan non
mandiri sebesar 68,1%.

Nilai standarized canonical discriminant function menunjukkan bahwa motivasi

relatif lebih penting dibandingkan kerajinan dalam menjelaskan perbedaan siswa
mandiri dan non mandiri.
Nilai dalam structure matrix menunjukkan nilai loading masing-masing faktor.
Nilai loading motivasi sebeser 0,984 dan kerajinan sebesar 0,317. Loading factor
semakin tinggi semakin baik karena mampu menjelaskan ukuran mandiri atau
tidak. Semakin mendekati nilai 1 maka semakin baik sebuah faktor.

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.

2.6. Analisis Korelasi Kanonikal

A. Pengertian Analisis Korelasi Kanonikal

Analisis korelasi kanonikal merupakan model statistik multivariat yang digunakan

untuk menguji hubungan (korelasi) antara lebih dari satu set variabel dependen
dan lebih dari satu set variabel independen (Wijaya dan Budiman, 2016: 59). Pada
analisis regresi berganda peneliti hanya memprediksi satu variabel dependen
dengan lebih dari satu set variabel independen. Sementara itu korelasi kanonikal
secara simultan memprediksi lebih dari satu variabel dependen dengan lebih dari
satu variabel independen.

Menurut Supranto (2004: 25) korelasi kanonikal digunakan untuk

mengkorelasikan secara simultan (bersama-sama) beberapa variabel tak bebas Y
dengan beberapa variabel bebas X. Sebagai contoh misalnya seorang peneliti
ingin mengetahui hubungan motivasi, minat, sikap dengan prestasi belajar fisika,
matematika, kimia, dan biologi (TPB) di FMIPA. Maka dapat ditentukan variabel
dependen (variabel terikat), variabel ini terdiri dari prestasi belajar matematika,
prestasi belajar fisika, prestasi belajar kimia, prestasi belajar biologi mahasiswa
jurusan fisika, matematika, kimia, dan biologi. Sedangkan variabel independen
(variabel bebas), variabel ini terdiri dari motivasi, minat dan sikap terhadap TPB
yang harus ditempuh oleh semua jurusan di FMIPA.

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.

B. Uji Asumsi Korelasi Kanonikal

Menurut Gunawan (2018: 118), tujuan asumsi digunakan untuk memberikan

kepastian bahwa persamaan yang didapatkan memiliki ketepatan dalam estimasi,
tidak bias dan konsisten. Uji asumsi pada prinsipnya bertujuan untuk memastikan
bahwa berbagai metode multivariat termasuk korelasi kanonikal bisa digunakan
pada data tertentu. Dengan demikian, hasil proses multivariat bisa
diinterpretasikan dengan tepat. Menurut Ansofino (2017: 93), tidak ada ketentuan
yang pasti tentang urutan uji mana dulu yang harus dipenuhi. Analisis dapat
dilakukan tergantung pada data yang ada. Berikut ini beberapa asumsi pada
korekasi kanonikal:

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 :

a. Menghapus atau menghilangkan data yang dianggap menjadi penyebab data

tidak normal.
b. Menambah data.
c. Melakukan transformasi data.
d. Menerima suatu data apa adanya.

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.

Kemiripan antar variabel independen akan mengakibatkan korelasi yang sangat

kuat. Cara mendeteksi ada atau tidaknya multikolinieritas, yaitu dengan
melihat nilai Varian Inflation Factor (VIF) atau Tolerance (TOL) pada model
regresi. Nilai tolerance yang lebih besar dari 0,1 menunjukkan bahwa tidak
 terjadi mutikolinearitas terhadap data yang diuji. Apabila nilai tolerance lebih
kecil dari 0,1 berarti terjadi multikolinearitas pada data yang diuji. Nilai VIF
yang lebih kecil dari 10 menunjukkan bahwa tidak terjadi multikolinearitas
terhadap data yang diuji. Apabila nilai VIF lebih besar dari 10 berarti terjadi
multikolinearitas terhadap data yang diuji. Uji multikolinieritas dilakukan
untuk mengetahui ada tidaknya hubungan yang kuat (signifikan) antar variabel
bebas. Jika terdapat hubungan yang signifikan maka dapat dikatakan ada aspek
yang sama diukur pada variabel bebas. Kondisi ini menunjukkan
ketidaklayakan untuk digunakan dalam menguji kontribusi variabel bebas
secara simultan terhadap variabel terikat. (Payadnya & Jayantika, 2018: 68).

4. Langkah Pengerjaan Analisis Korelasi Kanonikal

Menurut Siregar (2017) langkah pengerjaan analisis korelasi kanonikal sebagai

berikut:

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

5. Pengolahan Data Korelasi Kanonikal Menggunakan SPSS

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. Buka data Korelasi Kanonikal

b. Dari Menu SPSS pilih menu File kemudian pilih sub menu New,
selanjutnya Syntax
c. Kemudian isikan bahasa program dengan perintah sebagai berikut:
Manova Y1 Y2 Y3 Y4 WITH X1 X2 X3 X4
/DISCRIM ALL ALPHA (1)
/PRINT=SIG(EIGEN DIM)
Nama X1,X2,X3,X4 melambangkan nilai variabel independen yaitu tema
iklan, jalan cerita, bintang iklan dan jingle lagu sedangkan
Y1,Y2,Y3,Y4,Y5 melambangkan variabel dependen yaitu respon
pemirsa berupa perhatian (attention), minat (interest), kebutuhan (desire),
rasa percaya (conviction) dan tindakan (action).
d. Pilih Run dan All dari menu Syntax tersebut
e. Output
2.7. MANOVA

A. Pengertian MANOVA

Multivariate analysis of variance atau juga dikenal dengan sebutan MANOVA

dikembangkan sebagai konstruk teoritis oleh S.S. Wilks pada tahun 1932.
MANOVA merupakan multivariat perluasan dari konsep dan teknik univariat
analysis of varians (ANOVA) yang digunakan untuk menganalisis perbedaan
antara rata-rata (mean) kelompok. Perbedaan antara ANOVA dan MANOVA
terletak pada jumlah variabel dependennya. ANOVA digunakan untuk
mengetahui apakah terdapat perbedaan pengaruh perlakuan terhadap satu variabel
dependen, sedangkan MANOVA digunakan untuk mengetahui apakah terdapat
perbedaan pengaruh terhadap lebih dari satu variabel dependen.

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.

B. Asumsi - Asumsi Manova

Menurut Field (2009: 603) MANOVA memiliki kemiripan asumsi dengan

ANOVA tetapi diperluas untuk kasus multivariat. Adapun asumsi yang harus
dipenuhi yaitu:

1. Independent: pengamatan harus independen, secara statistik. Dipenuhinya

syarat ini dimaksudkan agar perlakuan yang diberikan kepada setiap sampel
independen antara satu dengan lainnya
2. Sampel harus bebas (idealnya acak), dan ukurannya harus memiliki skala
interval dan rasio
3. Sampel harus memiliki distribusi normal. Akan tetapi, ingat teori batas tengah.
Karena membandingkan rerata, normalitasnya dapat di asumsikan dengan
mudah. Dalam kasus MANOVA diasumsikan bahwa variabel terikat (secara
bersama) berdistribusi normal multivariat di dalam kelompok
3. Asumsi terakhir adalah homogenitas variansi, yang juga tidak begitu penting
pada skala ini karena MANOVA masih dapat bekerja dengan baik walaupun
asumsi ini tidak terpenuhi. Jadi, pokok dari asumsi MANOVA adalah bahwa
sampel bebas dengan variabel-variabel terikat atau hasil yang memiliki skala
inteval atau rasio memang diperlukan.

C. Uji Signifikansi Multivariat

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 :

a) Langkah analisis Manova dengan SPSS :

1) Klik Analyze > General Linier Model > Multivariate

2) Masukkan variabel nilai ujian kelas A dan kelas B ke kolom variabel

depedent.

3) Masukkan variabel Metode ke dalam fixed factor(s)

4) Klik tombol Option, pilih Descriptive, Homogenity test, dan Estimate of

effect size. Klik Continue
 5) Klik Contrast, pada kolom Change Contrast pilih metode Simple. Klik
tombol Change. Klik Continue.

6) Klik tombol Plots, masukkan variabel metode dalam Horizontal axis.

Klik tombol Add. 

7) Klik Continue dan OK.

b) Hasil Output Analisis Manova dengan SPSS

Tabel descriptive statistics menjelaskan rata-rata dan standar deviasi dari

nilai ujian pada kelas A dan B. Metode pertama (1) memperoleh rata-rata
lebih tinggi pada kelompok kelas B sebesar 55.7, sedangkan metode 2 juga
lebih tinggi pada kelompok  kelas B dibandingkan pada kelompok kelas A.
Pada kelompok kelas A memperoleh rata-rata dengan metode 1 sebesar
43,05 dan metode 2 hanya 37,25.
 Box's test of Equality of Covariance
Matrices

Tabel Box's M test digunakan untuk menguji asumsi Manova yaitu

homogenitas matrik varian dan kovarians. Untuk mengujinya dengan
kriteria terima H0 = matrik varians kovarian antara kelompok metode
homogen, jika nilai pengujian memperoleh nilai signifikansi > 0.05. Hasil
pengujian menunjukkan bahwa nilai Box's M sebesar 6,983 dengan
signifikansi 0,086. Karena nilai signifikansi 0.086 > 0.05 maka terima H0
yang menyatakan bahwa matrik varian kovarian bersifat homogen.

Pengujian secara simultan yaitu perbandingan rata-rata nilai ujian kelas A

dan kelas B antara metode 1 dan metode 2 dilakukan berdasarkan nilai
eigenvalue, uji statistik ada 4 yaitu Pillai's trace, Wilk's lambda, Hotelling
trace, Roy's largest root.
Multivariate Tests

Nilai Pillai's trace menunjukkan nilai positif sebesar 0.225 dengan

signifikansi 0.009. Meningkatnya nilai ini memberikan nilai yang berarti
pada model atau adanya perbedaan rata-rata yang signifikan antara
kelompok data. Nilai wilk's lambda sebesar 0.775 dengan signifikansi 0.009
yang berarti ada perbedaan rata-rata antara kelompok data. Demikian juga
untuk Hotelling trace dan Rpy's largest root masing-masing memperoleh
nilai 0.291 dan signifikansi 0.009. Dari ke-empat pengujian diperoleh nilai
signifikansi < 0.05.

Levene's Test of Equality of error Variances

 Tabel levene's test digunakan untuk menguji homogenitas varians secara
univariat. Ktriteria pengujian jika nilai signifikansi > 0.05 maka terima H0
yang menyatakan bahwa nilai varians untuk metode 1 dan metode 2 antara
kelas A dan kelas B adalah homogen. Dari hasil pengujian levene's test
untuk kelas A sebesar 0.043 dan kelas B sebesar 0.020 sehingga dapat
disimpulkan bahwa varian nilai kelas A dan B adalah heterogen.

Tabel test of between subject effect di bawah ini memberikan gambaran

pengujian model secara univariate. Nilai p-value signifikansi untuk kelas A,
nilai sebesar 0.005 < 0.05 yang artinya terdapat perbedaan nilai rata-rata di
kelas A antara metode 1 dan metode 2. Sedangkan nilai signifikansi untuk
kelas B sebesar 00.156 > 0.05, artinya bahwa tidak ada perbedaan nilai
dikelas B antara metode 1 dan metode 2.

Tests of Between Subjects Effects

Dari hasil analisis di atas dapat diambil kesimpulan bahwa terdapat

perbedaan nilai rata-rata kelas A dan kelas B untuk metode pembelajaran 1
dan metode pembelajaran 2. Tetapi pada rata-rata nilai di kelas B antara
metode pembelajaran 1 dan metode pembelajaran 2 tidak ada perbedaan
yang signifikan.
2.8. Analisis Cluster

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.

Tujuan analisis cluster adalah mengelompokkan objek atas dasar karakteristik

yang dimiliki. Analisis cluster mengelompokkan objek sehingga masing-masing
objek mempunyai kemiripan dengan yang lain dalam suatu cluster. Hasil cluster
suatu objek harus memiliki internal (within cluster) homoginitas yang tinggi dan
memiliki eksternal (between cluster) heteroginitas yang tinggi. Jika
pengelompokkan berhasil, maka objek dalam satu cluster akan saling dekat satu
sama lain jika diplot secara geometri dan cluster yang berbeda akan saling
menjauh satu sama lain.
Analisis cluster sebenarnya mirip dengan analisis faktor yaitu keduanya menilai
suatu struktur. Bedanya, analisis cluster menganalisis objek sedangkan analisis
faktor menganalisis pengelompokkan variabel. Analisis cluster dapat digunakan
untuk berbagai situasi. Misalkan seorang peneliti telah mengumpulkan data lewat
kuesioner dan menghadapi banyak sekali jumlah observasi yang ia dapatkan
sehingga data yang ada tidak mempunyai arti jika tidak dikelompokkan lebih
lanjut. Analisis cluster dapat melakukan data reduction dengan cara mengurangi
informasi yang terkandung dalam populasi atau sampel menjadi informasi yang
lebih spesifik.

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.

Untuk menggunakan teknik ini persyaratan yang harus dipenuhi, diantaranya

ialah:

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.

A. Contoh Penerapan Analisis Cluster

Penerapan analisis cluster diambil dari penelitian yang berjudul “Pengelompokan

Kabupaten/Kota Jawa Timur Berdasarkan Indikator Pendidikan Tahun 2013
Menggunakan Analisis Hierarchial Cluster” oleh Elok Fitriani Rafikasari yang
diterbitkan oleh Jurnal Dinamika Penelitian, Vol. 16, No. 2, 2016.

Dalam rangka membantu pembuatan kebijakan pemerintah perlu dilakukan

pengelompokan tingkat pendidikan masyarakat di kabupaten di Jawa Timur untuk
mengetahui sejauh mana perkembangan persebaran jenjang persekolahan. Tujuan
dari penelitian ini adalah untuk mengetahui kelompok-kelompok kabupaten di
Jawa Timur berdasarkan indikator pendidikan tahun 2013. Sedangkan metode
analisis yang digunakan adalah hierarchial cluster. Dari analisis ini diperoleh dua
kelompok dimana kelompok pertama sejumlah 29 kecamatan yang memiliki
tingkat pendidikan lebih tinggi dibandingkan kelompok kedua dengan 9
kecamatan.

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:

X1 : angka melek huruf (%)

X2 : angka partisipasi sekolah 7-12 tahun (%)

X3 : angka partisipasi sekolah 13-15 tahun (%)

X4 : angka partisipasi sekolah 16-18 tahun (%)

X5 : angka partisipasi kasar 7-12 tahun (%)

X6 : angka partisipasi kasar 13-15 tahun (%)

X7 : angka partisipasi kasar 16-18 tahun (%)

X8 : angka partisipasi murni 7-12 tahun (%)

X9 : angka partisipasi murni 13-15 tahun (%)

X10 : angka partisipasi murni 16-18 tahun (%)

Langkah-langkah dalam analisis data adalah sebagai berikut:

1. Melakukan pengujian korelasi antar variabel

2. Melakukan analisis komponen utama jika terdapat korelasi yang signifikan

antar variabel

3. Melakukan analisis cluster dengan metode hierarchial cluster

4. Melakukan perbandingan nilai rata-rata dari cluster yang terbentuk

Analisis dan Pembahasan:

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

Hasil korelasi anatar variabel indikator adalah sebagai berikut:

Tabel 1 Nilai Korelasi Antar Variabel Indikator Pendidikan
Dari tabel di atas dapat disimpulkan bahwa terdapat korelasi antar variabel indikator
pendidikan Jawa Timur tahun 2013. Hal ini dikarenakan nilai pada taraf nyata 5%
sehingga H0 ditolak. Selanjutnya dilakukan analisis komponen utama untuk menghasilkan
skor komponen utama yang saling bebas dari korelasi.

2. Analisis Komponen

Tabel 2. Nilai Kaiser Meyer Olkin (KMO)

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:

Gambar 1. Scree Plot dari Hasil Komponen Utama

Selanjutnya dilakukan analisis hierarchial cluster terhadap dua faktor yang terbentuk.
3. Analisis Hierarchial Cluster

Langkah selanjutnya adalah pengelompokan dengan menggunakan jarak Euclid pautan

rata-rata. Dari hasil output SPSS 16 diperoleh matriks proximity, dengan angka yang
tertera adalah jarak antara dua buah variabel. Seperti diketahui, langkah pertama pada
analisis cluster adalah melakukan pengukuran terhadap kesamaan (similarity) antar
variabel, sesuai dengan tujuan cluster untuk mengelompokkan variabel yang sama
(similar).

Gambar 2. Dendogram Hasil Cluster yang Terbentuk

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:

Tabel 3. Nilai Rata-rata Variabel Masing-masing 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.

2.9. Multidimensional Scaling

Multidimensional scaling merupakan suatu teknik statistik yang mengukur objek-

objek dalam ruangan multidimensional didasarkan pada penilaian responden
mengenai kemiripan (similarity) objek-objek tersebut. Perbedaan persepsi diantara
semua objek direfleksikan didalam jarak relative diantara objek- objek tersebut
didalam suatu ruangan multidimensional. Contoh kasus misalnya seorang
responden diminta menilai kemiripan karakteristik antara aplikasi pembelajaran
daring Whatsapp dengan Telegram. Kemiripan ini dilihat didasarkan pada
komponen-komponen sikap. Terbukanya komponen-komponen sikap tersebut
akan membantu menerangkan mengapa objek-objek tersebut, dalam hal ini
aplikasi pembelajaran daring Whatsapp dan Telegram dinilai mempunyai
kemiripan atau perbedaan diantaranya keduanya.

Multidimensional scaling dapat juga diaplikasikan kedalam rating subjektif dalam

melihat perbedaan (dissimilarity) antara objek atau konsep. Lebih lanjut teknik ini
dapat mengolah data yang berbeda dari berbagai sumber yang berasal dari
responden. Sebagai contoh bagaimana orang diminta untuk melihat hubungan
antara aplikasi pembelajaran daring yang berbeda. Jika seorang peneliti
mempunyai data yang berasal dari responden yang menunjukkan penilaian
kesamaan antara aplikasi pembelajaran daring yang berbeda, maka teknik
multidimensional scaling dapat digunakan untuk mengidentifikasi dimensi-
dimensi yang menggambarkan persepsi pengguna. Peneliti dapat menemukan,
misalnya bahwa kelengkapan fitur dan kemudahan menggunakan aplikasi
mendefinisikan dua ruangan dimensional yang mempertimbangkan kesamaan-
kesamaan yang dilaporkan oleh para responden.

Untuk menggunakan teknik analisis ini persyaratan yang harus dipenuhi

diantaranya ialah:

1. Data dapat menggunakan berbagai skala pengukuran, misalnya interval, rasio,

ordinal dan nominal. Semua itu tergantung pada teknik yang dipergunakan.

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.

3. Asumsi menggunakan teknik multidimensional scaling procedure relative bebas

dari asumsi distribusional. Sekalipun demikian Peneliti harus memilih skala
pengukuran yang tepat, misalnya ordinal, interval, atau ratio dalam SPSS pilihan
ini ada di perintah Options.

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.

6. Pengukuran akan memungkinkan peneliti membuat spesifikasi pengukuran

keterbedaan dalam analisis yang Peneliti lakukan. Caranya ialah dengan memilih
satu alternatif dari Measure group yang berhubungan dengan tipe data yang
dipunyai, dan kemudian pilih salah satu pengukuran dari daftar yang ada yang
berhubungan dengan tipe pengukuran yang ada dalam SPSS, diantaranya:

 Interval. Euclidean distance, squared Euclidean distance, Chebychev, Block,

Minkowski, atau Customized.

 Count. Chi-square measure atau Phi-square measure.

Binary. Euclidean distance, Squared Euclidean distance, Size difference, Pattern

difference, Variance, atau Lance dan Williams. Pengukuran keterbedaan untuk
data interval digunakan:

 Euclidean distance. Akar kuadrat jumlah perbedaan yang dikuadratkan antara

nilai-nilai semua item.

 Squared Euclidean distance. Jumlah perbedaan yang dikuadratkan antara

semua nilai bagi item-item tersebut.

 Chebychev. Perbedaan absolut maksimum nilai-nilai untuk semua item.

 Block. Jumlah perbedaan absolut antara nilai-nilai item; yang juga disebut
sebagai Manhattan distance.

 Minkowski. Akar ke p dari jumlah perbedaan absolut ke to p power antara

nilai-nilai semua item.
 Customized. Akar ke r dari jumlah perbedaan absolut ke p power antara nilai-
nilai untuk semua item

Pengukuran keterbedaan untuk data count digunakan:

 Chi-square measure. Didasarkan pada uji chi-square untuk kesejajaran

(equality) untuk dua perangkat frekuensi.

 Phi-square measure. Pengukuran ini sejajar dengan chi-square measure yang

normalisasikan dengan akar kuadrat dari frekuensi yang dikombinasikan.

Pengukuran keterbedaan untuk data biner digunakan:

 Euclidean distance. Dihitung dari tabel lipat empat sebagai SQRT(b+c),

dimana b dan c mewakili sel-sel diagonal yang berhubungan dengan kasus-
kasus yang hadir dalam satu item tetapi absen di item-item lain.

 Squared Euclidean distance. Dihitung sebagai jumlah kasus- kasus yang

sejajar. Nilai minimum sebesar 0, dan tidak mempunyai batas atas.

 Size difference. Indeks asimetris yang mempunyai jangkauan dari 0 ke 1.

 Pattern difference. Pengukuran keterbedaan untuk data biner yang berkisar

dari 0 ke 1.

 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:

 Z scores. Semua nilai distandarisasi kedalam nilai Z, dengan rata-rata sebesar

0 dan simpangan baku sebesar 1.

 Range -1 to 1. Masing-masing nilai untuk item tertentu yang sedang

distandarisasi dibagi dengan jarak semua nilai.

 Range 0 to 1. Prosedur ini mengurangi nilai minimum dari masing- masing

dari masing-masing item yang sedang distandarisasi kemudian dibagi dengan
jarak.

 Maximum magnitude of 1. Prosedur untuk membagi masing- masing nilai

untuk item tertentu yang sedang distandarisasi dengan jumlah maksimum
semua nilai.

 Mean of 1. Prosedur untuk membagi masing-masing nilai untuk item tertentu

yang sedang distandarisasi dengan rata- rata semua nilai.

 Standard deviation of 1. Prosedur untuk membagi masing-masing nilai untuk

variabel atau kasus tertentu yang sedang distandarisasi dengan simpangan
baku semua nilai.

A. Model Multidimensional Scaling

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.

 Tingkat Pengukuran (Level of Measurement). Memungkin- kan Peneliti

untuk membuat spesifikasi tingkat data, yang dapat berupa data ordinal,
interval, atau rasio. Jika variabel-variabel berupa ordinal, pilih Untie
observasi- observasi terikat “tied” dengan meminta semua variabel tersebut
diperlakukan sebagai variabel-variabel continuous, sehingga pengikat (tie)
 untuk semua nilai yang sama bagi kasus-kasus yang berbeda dapat
diselesaikan secara optimal.

 Persyaratan (Conditionality). Memungkinkan Peneliti untuk membuat

spesifikasi perbandingan-perbandingan mana yang ber- makna. Pilihannya
ialah Matrix, Row, atau Unconditional.

 Dimensi (Dimensions). Memungkinkan Peneliti membuat spesifikasi

dimensionalitas dalam penyelesaian scaling. Salah satu penyelesaiannya ialah
dengan menghitung masing- masing angka dalam kisaran tertentu. Spesifikasi
integer- integer antara 1 dan 6; minimal 1 diijinkan hanya jika Peneliti
memilih Euclidean distance sebagai model scaling. Untuk penyelesaian
tunggal, spesifikasi angka yang sama dalam bentuk minimal dan maximal.

 Model Pembuatan Skala (Scaling Model). Memungkinkan Peneliti

melakukan spesifikasi asumsi-asumsi dimana scaling dilakukan. Pilihan yang
tersedia ialah Euclidean distance atau Individual differences Euclidean
distance (disebut juga sebagai INDSCAL). Untuk model Individual
differences Euclidean distance, Peneliti dapat memilih perintah Allow
negative subject weights, jika sesuai dengan data yang ada.

Opsi-Opsi dalam Multidimensional Scaling

Peneliti dapat membuat spesifikasi opsi-opsi dalam analisis multidimensional

scaling, diantaranya:

 Display. Memungkinkan Peneliti memilih berbagai tipe keluaran, misalnya.

Group plots, Individual subject plots, Data matrix, serta Model dan options
summary.

 Criteria. Memungkinkan Peneliti menentukan kapan iterasi harus berhenti.

Untuk mengubah default, masukkan nilai- nilai untuk S-stress convergence,
Minimum S-stress value, dan Maximum iterations.
 Treat distances less than n as missing. Jarak (distance) kurang dari nilai
yang dikeluarkan dari analisis.

Contoh Penerapan Multidimensional Scaling

Penerapan multidimensional scaling diambil dari penelitian yang berjudul

“Analisis Multidimensional Scaling untuk Pemetaan Aplikasi Pembelajaran
Daring” oleh Nur Baiti Nasution dan Padrul Jana yang diterbitkan oleh Jurnal
Statistika dan Matematika, Vol. 3, No. 21, Januari 2021.

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.

Tahap selanjutnya adalah melakukan analisis MDS non atribut menggunakan

software SPSS 22. Urutan langkah-langkah yang dilakukan pada tahap ini adalah:

1. Menghitung nilai rata-rata penilaian responden untuk setiap pasangan platform

2. Menghitung jarak kemiripan antar masing-masing platform menggunakan

rumus Euclidean

3. Menghitung koordinat masing-masing platform dan menempatkannya dalam

peta spasial berdimensi 2.

4. Menghitung nilai stress dan R2 dari hasil analisis sebagai wujud kevalidan
hasil analisis.

Kriteria nilai stress ditunjukkan pada Tabel 1.

Tabel 1. Kriteria Nilai Stress

(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).

Hasil dan Pembahasan:

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.

2. Hasil Multidimensional Scaling

Selanjutnya, dilakukan penghitungan rata-rata nilai kemiripan untuk setiap

pasangan. Kriteria yang digunakan adalah jika responden menganggap 2 platform
semakin mirip maka nilai yang diberikan semakin mendekati 1, dan sebaliknya,
jika kedua platform dianggap semakin tidak mirip maka nilai akan semakin
mendekati 5. Hasil perhitungan tersebut ditunjukkan pada Tabel 2.

Tabel 2. Rata-rata Nilai Kemiripan Masing-masing Pasangan Platforms

Pada Tabel 2 dapat dilihat bahwa rata-rata nilai kemiripan antara aplikasi
Whatsapp dengan Telegram adalah 1.74. Hal ini menunjukkan bahwa responden
menganggap bahwa aplikasi Whatsapp dan Telegram cenderung mirip.
Sedangkan, rata- rata nilai kemiripan yang diberikan untuk aplikasi Whatsapp dan
Schoology adalah 2.72. Hal ini berarti responden menganggap bahwa Schoology
tidak terlalu mirip dengan Whatsapp. Nilai 0 pada Tabel 2 menunjukkan bahwa
kedua aplikasi yang bersesuaian dengan sel tersebut dapat dianggap identik. Hal
ini masuk akal karena nilai nol hanya muncul pada sel-sel yang mana pasangan
aplikasi yang dibandingkan adalah aplikasi yang sama.

Setelah melakukan penghitungan rata-rata nilai kemiripan antar platform,

dilakukan penghitungan jarak antar setiap platform menggunakan rumus jarak
Euclidian. Selanjutnya ditentukan koordinat masing-masing platform dalam suatu
bidang koordinat 2 dimensi sehingga dapat ditentukan peta spasial dari data.
Adapun peta spasial yang terbentuk ditunjukkan pada Gambar 1.

Gambar 1. Peta Spasial yang Menggambarkan Pendapat Responden

Pada Gambar 1 tampak bahwa terdapat 3 kelompok yang terbentuk. Kelompok 1

berisikan Google Classroom dan Teams, Kelompok 2 berisikan Edmodo, Moodle,
dan Schoology, dan Kelompok 3 berisikan Telegram dan Whatsapp. Walau
demikian, hasil multidimensional scaling non atribut ini belum menjawab
mengenai apa pertimbangan yang paling dominan yang digunakan responden
untuk menilai kemiripan antara setiap 2 platform pembelajaran daring. Hal ini
dapat dijadikan pertanyaan untuk penelitian selanjutnya.

Langkah terakhir pada analisis multidimensional scaling adalah menghitung

tingkat validitas analisis dengan menghitung nilai stress dan R2. Hasil perhitungan
menggunakan software SPSS 22 menunjukkan bahwa nilai stress yang dihasilkan
adalah sebesar 4,98%. Dengan demikian, menurut Tabel 1, nilai stress tersebut
menunjukkan kategori Sangat Baik. Nilai stress tersebut menunjukkan bahwa peta
yang terbentuk dapat menggambarkan sebanyak 95,02 % data. Hal yang sama
juga diungkapkan oleh nilai R2 yaitu sebesar 0,993 atau 99,3%. Nilai ini
menunjukkan bahwa hasil analisis telah sesuai dengan sebanyak 99,3% data.

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.

Selanjutnya dari sudut pandang dimensi 2, Teams berdekatan dengan Google

Classroom dan Edmodo berdekatan dengan Moodle. Adapun Schoology
meskipun cukup terasing tetapi masih berada di kuadran yang sama dengan
Edmodo dan Moodle. Melihat hasil ini, dapat disimpulkan bahwa responden
menganggap bahwa Google Classroom dan Teams merupakan platform
pembelajaran daring yang mirip. Hal ini cukup masuk akal mengingat kedua
platform tersebut merupakan platform yang paling sering digunakan. Google
Classroom cukup dikenal karena kemudahannya dalam membuat akun (Batita et
al., 2019). Sedangkan Teams cukup dikenal karena semenjak pandemi, banyak
sekolah dan institusi yang mengadakan pelatihan Microsoft 365 dimana Teams
merupakan salah satu aplikasi yang ditawarkan. Selain itu. Teams juga telah
terbukti mudah diakses dan membawa efek positif ke output pembelajaran (Pradja
& Baist, 2019; Situmorang, 2020).

Platform Edmodo, Moodle, dan Schoology memiliki kesamaan dalam hal

kelengkapan fitur dalam pembelajaran. Hal ini sesuai dengan pendapat dari
penelitian terdahulu yang menyatakan bahwa Moodle, Edmodo, dan Schoology
memberikan efek yang positif dalam pembelajaran meliputi peningkatan minat,
motivasi, dan prestasi belajar dikarenakan kelengkapan fitur yang ada (Batita et
al., 2019; Retnoningsih, 2017; Tigowati et al., 2017). Walau demikian, semenjak
pandemi, pengguna Schoology perlu membayar sejumlah tarif untuk tetap
menggunakan layanannya. Di sisi lain, untuk Moodle, pengguna perlu membuat
domain website sendiri untuk dapat menggunakan Moodle. Hal ini belum tentu
dapat diikuti oleh setiap instansi pendidikan. Dengan demikian, Moodle dan
Schoology tidak memiliki pengguna sebanyak Google Classroom dan Teams. Hal
ini menyebabkan tingkat kemiripan Moodle dan Schoology tinggi dan terletak
saling berdekatan. Analog dengan kondisi pada Moodle, aplikasi Telegram dan
WA yang terletak saling berjauhan. Aplikasi WA berdekatan dengan Google
Classroom dan Teams yang berarti telah dikenal masyarakat secara luas dan
Telegram berdekatan dengan aplikasi lainnya yang belum banyak digunakan oleh
pengajar.

Simpulan:

Kesimpulan dari hasil penelitian ini adalah sebagai berikut.

1. Hasil multidimensional scaling menunjukkan bahwa terdapat 3 kelompok platform

pembelajaran daring dimana anggota masing-masing kelompok dianggap mirip oleh
responden. Kelompok 1 terdiri dari Google Classroom dan Teams, Kelompok 2
terdiri dari Edmodo, Moodle, dan Schoology, dan Kelompok 3 terdiri dari Telegram
dan Whatsapp.
2
2. Hasil MDS ini memiliki tingkat stress sebesar 4,98% dan nilai R sebesar 0,993 yang
berarti hasil MDS dinilai sangat baik.
 III. PENUTUP

3.1. Kesimpulan

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.

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

Ansofino, J. Y. (2016). Ekonometrika. Yogyakarta: CV. Budi Utama.

Dillon, W.R., Goldstein M., 1984, Multivariate Analysis: Methods and

Applications, John Wiley & Sonsm New York.

Field, A.2009. Discovering Statistic Using SPSS. London: Sage Publication.

Gunawan, C. 2018. Mahir Menguasai SPSS (Mudah Mengolah Data Dengan Ibm
Spss Statistic 25). Yogyakarta: CV. Budi Utama.

Johnson, R.S. dan Winchern, D.W. (1992), “Applied Multivariate Statistical

Analusis”, Prentice Hall, New Jersey.

Nasution, N. B. dan Jana, P. 2021. Analisis Multidimensional Scaling Untuk

Pemetaan Aplikasi Pembelajaran Daring. Jurnal Statistika dan
Matematika, Vol. 3, No. 1, Januari 2021. Diakses di
http://openjournal.unpam.ac.id. Pada tanggal 24 Oktober 2021.

Rafikasari, E. F. 2016. Pengelompokan Kabupaten/Kota di Jawa Timur

Berdasarkan Indikator Pendidikan Tahun 2013 Menggunakan Analisis
Hierarchial Cluster. Jurnal Dinamika Pendidikan, Vol. 16, No.2, 2016.
Diakses di http://ejournal.iain-tulungagung.ac.id. Pada tanggal 24 Oktober
2021.

Riswan, & Khairudin. (2019). Statistik Multivariate. Bandar Lampung: Aura.

Santoso, S. (2017). Statistik Multivariat dengan SPSS. Jakarta: Kompas

Gramedia.

Siregar, Suzanna Lamria. 2017. Korelasi Kanonikal: Komputasi dengan

Menggunakan SPSS dan Interpretasi Hasil Analisis. Artikel Fakultas
Ekonomi Universitas Gunadarma. Diakses di http://ssiregar.staff.guna-
darma.ac.id. Pada tanggal 23 Oktober 2021.

Solimun, Fernandes, A. A., & Nurjannah. (2017). Metode Statistika Multivariat .

Malang: UB Press.

Sujarweni, V. (2015). SPSS Untuk Penelitian. Yogyakarta: Pustaka Baru.

Supranto, J. 2004. Analisis Multivariat Arti & Interpretasi. Jakarta: Rineka Cipta.

Supranto, J. 2010. Analisis Multivariat: arti dan Interpretasi. Jakarta: Rineka

Cipta.
Wijaya, Tony., Budiman, Santi. 2016. Analisis Multivariat untuk Penelitian
Manajemen. Yogyakarta: Penerbit Pohon Cahaya.

Zikmund, William., 1997., Business Research Methods., fifth Edition., California;

The Dryden Press.