STATISTIK MULTIVARIAT

KONSEP DASAR

DOSEN:
DR. SRI MARYATI
Statistika dalam Kehidupan Sehari-hari
Kemajuan ilmu pengetahuan dan teknologi tidak dapat
dipisahkan dari statistika

Jaeger (1990) menyimpulkan bahwa statistika tidak

dapat dipisahkan dari kehidupan para peneliti, pendidik,
manajer, analis olahraga, analis politik, pengusaha &
hampir semua orang yang memiliki latar belakang
pendidikan memadai

Keperluan akan statistika berbeda-beda, baik tingkat

kedalamannya maupun jenis tekniknya
 1. Konsep Dasar Statistika

STATISTIKA :
Fokus utama :
KEGUNAAN
• mengumpulkan data
• menyajikan data
• menganalisis data dengan metode tertentu ?
• menginterpretasikan hasil analisis

Melalui fase

STATISTIKA DESKRIPTIF :
Berkenaan dengan pengumpulan, pengolahan, dan penyajian sebagian
atau seluruh data (pengamatan) tanpa pengambilan kesimpulan

dan fase

STATISTIKA INFERENSI :
Setelah data dikumpulkan, maka dilakukan berbagai metode statistik untuk
menganalisis data, dan kemudian dilakukan interpretasi serta diambil kesimpulan.
Statistika inferensi akan menghasilkan generalisasi (jika sampel representatif)
 2. Statistika & Metode Ilmiah

METODE ILMIAH :
Adalah salah satu cara mencari kebenaran yang bila ditinjau dari segi
penerapannya, meminimalkan resiko kesalahan/kekliruan.

LANGKAH-LANGKAH DALAM METODE ILMIAH :

1. Merumuskan masalah
2. Melakukan studi literatur
3. Membuat dugaan-dugaan, pertanyaan-pertanyaan atau hipotesis

4. Mengumpulkan dan mengolah data, menguji hipotesis,

atau menjawab pertanyaan

5. Mengambil kesimpulan

INSTRUMEN

SAMPEL

SIFAT DATA
PERAN STATISTIKA
VARIABEL

METODE ANALISIS
 PENGGUNA STATISTIKA

Pengguna Masalah yang Dihadapi

Statistika
Manajemen 1. Penentuan struktur gaji, pesangon, dan
tunjangan karyawan.
2. Penentuan jumlah persediaan barang, barang
dalam proses, dan barang jadi.
3. Evaluasi produktivitas karyawan.
4. Evaluasi kinerja perusahaan.
Akuntansi 1. Penentuan standar audit barang dan jasa.
2. Penentuan depresiasi dan apresiasi barang dan
jasa.
3. Analisis rasio keuangan perusahaan
 PENGGUNA STATISTIKA
Pengguna Masalah yang Dihadapi
Statistika
Pemasaran 1. Penelitian dan pengembangan produk.
2. Analisis potensi pasar, segmentasi pasar dan
diskriminasi pasar.
3. Ramalan penjualan.
4. Efektivitas kegiatan promosi penjualan.
Keuangan 1. Potensi peluang kenaikan dan penurunan harga
saham, suku bunga dan reksadana.
2. Tingkat pengembalian investasi beberapa sektor
ekonomi.
3. Analisis pertumbuhan laba dan cadangan
usaha.
4. Analisis resiko setiap usaha.
 PENGGUNA STATISTIKA

Pengguna Masalah yang Dihadapi

Statistika
Ekonomi 1. Analisis pertumbuhan ekonomi, inflasi dan suku
bunga.
Pembangunan
2. Pertumbuhan penduduk dan tingkat
pengangguran serta kemiskinan.
3. Indeks harga konsumen dan perdagangan
besar.

Agribisnis 1. Analisis produksi tanaman, ternak, ikan dan

kehutanan.
2. Kelayakan usaha dan skala ekonomi.
3. Manajemen produksi agribisnis.
4. Analisis ekspor dan impor produk pertanian.
 Populasi, Sampel, Parameter dan
Statistik
Populasi : keseluruhan pengamatan yang menjadi
perhatian dalam kajian/penelitian
Sampel : suatu himpunan bagian dari populasi
Parameter : sembarang nilai yang menjelaskan
ciri populasi
Statistik : sembarang nilai yang menjelaskan ciri
suatu sampel
Populasi, Sampel, Parameter dan Statistik
• Bias suatu sampel: perbedaan ciri sampel
dengan ciri populasi tempat sampel
diambil.
• Sampel yang baik adalah sampel dengan
bias minimal.
• Cara mendapatkan sampel dengan bias
minimal adalah dengan mengambil
Sampel/Contoh secara acak.
 3. Data dan jenis Data

DATA terbagi atas DATA KUALITATIF dan DATA KUANTITATIF

DATA KUALITATIF : DATA KUANTITATIF :

Data yang dinyatakan dalam
bentuk bukan angka.
Contoh : jenis kelamin, jenis
pekerjaan, status marital,
tingkat kepuasan kerja
Data yang dinyatakan dalam
bentuk angka
Contoh : umur, lama bekerja,
jumlah gaji, nilai hasil
evaluasi, jumlah karyawan

DATA

KUALITATIF JENIS KUANTITATIF

DATA

NOMINAL INTERVAL
ORDINAL RASIO
 SUMBER DATA

1. Wawancara langsung
2. Wawancara tidak
Data Primer langsung
3. Pengisian kuisioner

DATA

Data dari pihak lain:

1. BPS
Data Sekunder 2. Bank Indonesia
3. World Bank, IMF
4. FAO dll
 4. Data
DATA NOMINAL :
Data berskala nominal adalah data yang diperoleh dengan cara kategorisasi atau klasifikasi.
CIRI : posisi data setara
tidak bisa dilakukan operasi matematika (+, -, x, :)
CONTOH : jenis kelamin, jenis pekerjaan

DATA ORDINAL :
Data berskala ordinal adalah data yang dipeoleh dengan cara kategorisasi atau klasifikasi, tetapi
di antara data tersebut terdapat hubungan
CIRI : posisi data tidak setara
tidak bisa dilakukan operasi matematika (+, -, x, :)
CONTOH : kepuasan kerja, motivasi

DATA INTERVAL :
Data berskala interval adalah data yang diperoleh dengan cara pengukuran, di mana jarak antara
dua titik skala sudah diketahui.
CIRI : Tidak ada kategorisasi
bisa dilakukan operasi matematika
CONTOH : temperatur yang diukur berdasarkan 0C dan 0F, sistem kalender

DATA RASIO :
Data berskala rasio adalah data yang diperoleh dengan cara pengukuran, di mana jarak antara
dua titik skala sudah diketahui dan mempunyai titik 0 absolut.
CIRI : tidak ada kategorisasi
bisa dilakukan operasi matematika
CONTOH : gaji, skor ujian, jumlah buku
 5. Pengolahan Data

PROSEDUR PENGOLAHAN DATA :

A. PARAMETER : Berdasarkan parameter yang ada statistik dibagi menjadi

• Statistik PARAMETRIK : berhubungan dengan inferensi statistik yang

membahas parameter-parameter populasi; jenis data interval atau rasio;
distribusi data normal atau mendekati normal.

• Statistik NONPARAMETRIK : inferensi statistik membahas parameter-

parameter populasi; jenis data nominal atau ordinal; distribusi data tidak
diketahui atau tidak normal

B. JUMLAH VARIABEL : berdasarkan jumlah variabel dibagi menjadi

• Analisis UNIVARIAT : hanya ada 1 pengukuran (variabel) untuk n sampel atau

beberapa variabel tetapi masing-masing variabel dianalisis sendiri-sendiri.
Contoh : korelasi motivasi dengan pencapaian akademik.

• Analisis MULTIVARIAT : dua atau lebih pengukuran (variabel) untuk n sampel

di mana analisis antar variabel dilakukan bersamaan. Contoh : pengaruh
motivasi terhadap pencapaian akademik yang dipengaruhi oleh faktor latar
belakang pendidikan orang tua, faktor sosial ekonomi, faktor sekolah.
 Obyek Pengamatan

Variabel Variabel Variabel Variabel Variabel

X1 X2 X3 X4 Xn

Multi-Variabel

Metode analisis statistik yang melibatkan multi-variabel secara

simultan

Analisis multivariate

MULTIVARIATE ANALYSIS
 Multivariate Analysis (MA):
Metode analisis yang berkenaan dengan sejumlah besar variabel yang
datanya diperoleh secara simultan dari setiap obyek pengataman

Hubungan-hubungan antar variabel

secara simultan
( = Analisis Peubah Ganda)

Proses perhitungannya sangat kompleks

Dalam proses perhitungannya menggunakan

pendekatan matriks

Determinan Matriks, Pangkat Matriks,

Matriks Kebalikan, Eigen Value, Eigen Vector, dll.
KLASIFIKASI APG: Analisis Peubah Ganda

APG untuk analisis identifikasi, prediksi, eksplorasi, deskripsi:

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

APG untuk analisis pembandingan:

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

APG untuk analisis hubungan antar variabel:

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

APG untuk analisis Dependensi

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

APG untuk analisis Interdependensi:

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

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

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

Output:
Berupa model, setara dengan hasil analisis Regresi

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

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

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

Output:
Model Lintasan atau Jalur-Jalur, pengaruh

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

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

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

Output
Model struktural, Model Lintasan Pengaruh

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

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

Metode Estimasi:

Konsep Eigen Value & Eigen Vector

Output:
Koefisien Korelasi Kanonik

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

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

Metode Estimasi:
Konsep dekomposisi komponen ragam (varians)

Output:
Tabel MANOVA

Kegunaan:

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

Input Data: Raw data, bukan standardize data

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

Metode Estimasi: OLS

Output:
Model atau persamaan regresi berganda

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

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

Metode Estimasi:
Konsep Eigen Value dan Eigen Vector

Output:
Fungsi deskriminan

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

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

Metode Estimasi: OLS

Output:
Model atau persamaan

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

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

Metode Estimasi:
Konsep Eigen Value dan Eigen Vector

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

Kegunaan:
Eksplorasi Dimensi yg terkandung dalam sekumpulan variabel
Mendapatkan skor dari Komponen Utama
Mapping objects
Clustering objects
Menghilangkan multikolinearitas pd regresi berganda
 FACTOR ANALYSIS
Input Data:
Raw data atau standardize data, seluruh variabel mempunyai “common factor”

Metode Estimasi:
Konsep Eigen value & Eigen vector

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

Kegunaan:
Analisis faktor konfirmatori: Mencari dimensi yg terkandung dalam
sekumpulan variabel (atau faktor)
Mapping objects
Clustering object
Mendapatkan data dari suatu DIMENSI atau Variabel Laten
 ANALISIS GEROMBOL = CLUSTER ANALYSIS

Analisis Gerombol hierarkhis: Jumlah gerombol belum diketahui

Analisis tidak-hierarkhis: Jumlah gerombol telah diketahui

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

Metode Analisis: K-mean atau Agromeratif

Output: Kelompok-kelompok obyek

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

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

Estimasi: Metode ALSCAL.

Output:
Peta, mapping, obyek kajian

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

INPUT DATA: Tabel Frekuensi

METODE PERHITUNGAN:
Konsep Eigen value dan Eigen vektor

OUTPUT:
Berupa peta (mapping) kategori dari variabel

KEGUNAAN:
Positioning kategori variabel
Clustering kategori dari beberapa variabel
Identifikasi profil suatu variabel berkaitan dengan kategori variabel
lainnya.
2/27/2023 31