MAKALAH STATISTIKA

“ANALISIS MULTIVARIAT”

Eka Pratiwi Syam

230002301015

PROGRAM STUDI ILMU PENGETAHUAN SOSIAL

KEKHUSUSAN PENDIDIKAN IPS TERPADU

PROGRAM PASCASARJANA

UNIVERSITAS NEGERI MAKASSAR

2023
 DAFTAR ISI

DAFTAR ISI..................................................................................................................................2
BAB I.............................................................................................................................................3
PENDAHULUAN..........................................................................................................................3
1.1 Latar Belakang.....................................................................................................................3
1.2 Permasalahan........................................................................................................................5
1.3 Tujuan...................................................................................................................................5
BAB II............................................................................................................................................6
PEMBAHASAN............................................................................................................................6
2.1. Definisi Analisis Multivariat...............................................................................................6
2.2. Klasifikasi Analisis Multivariat..........................................................................................7
BAB III.........................................................................................................................................19
PENUTUP....................................................................................................................................19
DAFTAR PUSTAKA...................................................................................................................20
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Pengujian statistika adalah salah satu bagian penting dalam penelitian. Selain kesalahan
dalam proses perhitungan, kesalahan dalam pengambilan statistika uji dapat mempengaruhi
hasil penelitian. Salah satu contoh kesalahan yang sering kali dijumpai adalah penggunaan
uji statistika univariat yang untuk melihat pengaruh sejumlah variabel bebas terhadap
sejumlah variabel tak bebas. Uji statistika multivariat lebih tepat digunakan untuk contoh
tersebut. Statistika multivariat digunakan untuk melakukan analisis pengaruh sejumlah
variabel bebas terhadap sejumlah variabel tak bebas secara bersamaan.
Analisis multivariat merupakan analisis multivariabel yang berhubungan dengan semua
teknik statistik yang secara simultan menganalisis sejumlah pengukuran pada individu atau
objek (Santoso, 2010: 7). Analisis ini dikelompokkan menjadi dua, yaitu analisis
dependensi dan analisis interdependensi. Analisis dependensi merupakan analisis untuk
mengetahui hubungan antara variabel dependen dan independen. Contoh analisis
dependensi, yaitu: anova, ancova, manova, analisis regresi berganda, dan analisis diskriman.
Sedangkan analisis interdependensi adalah analisis untuk mengetahui hubungan antar
variabel independen. Contoh analisis interdependensi, yaitu: analisis faktor, analisis cluster,
penskalaan multidimensi, dan analisis kategori.
Analisis multivariat dapat digunakan untuk mengatasi permasalahan dalam kehidupan
sehari-hari, seperti mengelompokkan objek-objek yang mempunyai kesamaan karakteristik.
Analisis multivariat adalah salah satu dari teknik statistik yang diterapkan untuk memahami
struktur data dalam dimensi tinggi. Dimana variabel-variabel yang dimaksud tersebut saling
terkait satu sama lain. Berdasarkan beberapa definisi Analisis Multivariat di atas, maka
statistikian menyimpulkan bahwa yang dimaksud dengan Analisis Multivariat adalah suatu
analisis yang melibatkan variabel dalam jumlah lebih dari atau sama dengan 3 variabel.
Dimana minimal ada satu variabel terikat dan lebih dari satu variabel bebas serta
terdapat korelasi atau keterikatan antara satu variabel dengan variabel lainnya. Maka dapat
diartikan bahwa Analisis Multivariat juga merupakan analisis yang melibatkan cara
perhitungan yang kompleks. tujuannya adalah agar dapat memahami struktur data
berdimensi tinggi dan saling terkait satu sama lain. Teori dari Metode analisis multivariat
dalam hal ini sebenarnya telah diketahui sejak lama sekali, hanya saja karena cara
perhitungannya yang rumit maka jarang sekali diterapkan. Tetapi akhir-akhir ini, bersamaan
dengan berkembangnya teknologi. Dimana muncul aplikasi komputer seperti SPSS untuk
menghitung atau menganalisis metode statistik dengan mudah. Maka barulah Analisis
Multivariat ini sering digunakan oleh para peneliti karena kemudahan-kemudahan yang
diberikan oleh aplikasi komputer dan banyaknya informasi yang bisa didapat dari Analisis
Multivariat ini.
Banyak bidang seperti ilmu sosial, psikologi, ekonomi, pertanian, kesehatan, dan
pendidikan menggunakan statistika multivariat dalam penelitian yang mereka lakukan. Ada
dua klasifikasi dalam analisis data multivariat, yaitu metode dependensi dan
interdependensi. Hal ini berkaitan dengan data yang sedang dihadapi dan tujuan dari
analisis yang dilakukan. Statistika multivariat merupakan merupakan materi lanjutan dari
statistika dasar yang pada umumnya tidak semua jurusan menyediakan mata kuliah ini,
kecuali pada jurusan yang mempunyai konsentrasi ilmu statistika. Beberapa metode dalam
analisis statistika multivariat adalah analisis komponen utama, analisis faktor, analisis
korelasi kanonik, analisis regresi multivariat, analisis varians multivariat, analisis
diskriminan, dan analisis klaster (Johnson & Wichern, 2007).
Metode yang paling sering digunakan dalam penelitian selain analisis varians
multivariat yaitu analisis komponen utama dan analisis faktor. Analisis komponen utama
bertujuan untuk mereduksi dimensi data dengan cara membangkitkan variabel baru
(komponen utama) yang merupakan kombinasi linear dari variabel asal sedemikan hingga
varians komponen utama menjadi maksimum dan antar komponen utama bersifat saling
bebas. Analisis faktor bertujuan untuk mereduksi dimensi data dengan cara menyatakan
variabel asal sebagai kombinasi linear sejumlah faktor, sedemikian hingga sejumlah faktor
tersebut mampu menjelaskan sebesar mungkin keragaman data yang dijelaskan oleh
variabel asal.
Analisis data multivariat merupakan analisis yang kompleks dibandingkan analisis data
univariat. Perhitungan tidak agi dapat dilakukan secara manual bahkan dengan kalkulator
sekalipun, sehingga penggunaan komputer sangat penting dan tidak dapat
dihindarkan.Venables & Smith, 2017). Program pilihan untuk analisis data statistika baik
deskriptif maupun inferensi seperti pada program antara lain SPSS, Mintab, dan SAS.
Mengingat kepentingan penggunaan statistika multivariat, pelatihan statistika multivariat
sangat diperlukan dalam bentuk workshop analisis data multivariat dipandang perlu
diadakan untuk membantu para pengguna statistika, praktisi atau peneliti. Mengingat
keterbatasan waktu materi workshop akan disesuaikan dengan kemampuan peserta
workshop dalam bahasan statistika multivariat.
1.2 Permasalahan

1) Apa yang dimaksud dengan analisis multivariat dan jenis data yang digunakan
didalamnya?
2) Apa saja klasifikasi analisis multivariat?

1.3 Tujuan

1) Menguraikan definisi analisis multivariat dan jenis data yang digunakan

didalamnya.
2) Menguraikan klasifikasi analisis multivariat.
 BAB II
PEMBAHASAN

2.1. Definisi Analisis Multivariat

Dalam melakukan penelitian, tahapan analisis data memiliki peran penting utuk
menggali informasi dari observasi yang telah dilakukan (Sekaran, 2003; Neuman, 2006;
Aaker et al.,1995). Pada penelitian – penelitian yang melibatkan variable majemuk salah
satu alat analisis yang sering digunakan adalah teknik analisis multivariat. Untuk
mendapatkan informasi yang tepat dan valid, pemilihan teknik analisis multivariat harus
memperhatikan tujuan penelitian yang dilakukan, asumsi dasar teknik analisis multivariat
yang akan dipilih, dan skala pengukuran yang digunakan pada saat pengumpulan data.

Secara umum data dapat dikelompokkan ke dalam dua kategori, yaitu data metrik
(kuantitatif) dan nonmetrik (kualitatif) (Hair et al.,2006). Selanjutnya, skala pengukuran
dapat dibagi ke dalam empat kelompok: (1) skala nominal, (2) skala ordinal, (3) skala
interval, dan (4) skala rasio (Sekaran, 2003). Data-data metrik diukur dengan skala interval
atau rasio sedangkan data nonmetrik diukur menggunakan skala nominal atau ordinal
(Singgih, 2002). Titik penyusun bangunan atau pondasi dari Analisis Multivariat adalah
variat itu sendiri. Variat adalah suatu kombinasi linear dari variabel-variabel yang memiliki
bobot empiris yang telah ditentukan. Suatu variate dari sejumlah n variabel yang terbobot
(X1 sampai dengan Xn) dapat dinyatakan secara matematis adalah sebagai berikut: nilai
variate = w1X1+ w2X2+ w3X3+…+wnXn.

Analisis Multivariat adalah salah satu bentuk dari analisis inferensial. Analisis
inferensial artinya analisis yang melibatkan sejumlah sampel saja. Dan dimana hasilnya
nanti digunakan sebagai alat generalisasi untuk keseluruhan populasi. Oleh karena itu,
nantinya dalam Analisis Multivariat tidak akan lepas dari istilah-istilah signifikansi dan juga
tingkat kesalahan dan derajat kepercayaan.

Seperti halnya analisis statistik lainnya, Analisis Multivariat juga tidak lepas dari
jenis data atau skala data. Skala data yang digunakan ada dua macam, yaitu data metrik dan
data non metrik. Data metrik adalah data yang bersifat numerik atau berisi angka-angka dan
dapat dilakukan perhitungan matematis di dalamnya, misal nilai ujian, tingkat IQ, berat
badan, dan lain sebagainya. Data metrik disebut juga dengan data numerik atau data
kuantitatif. Dalam hal ini data metrik ada 2 macam, yaitu data interval dan data rasio. Untuk
lebih jelasnya pelajari artikel kami tentang skala data. Sedangkan data non metrik adalah
 data non numerik atau disebut juga data kualitatif atau data kategorik. Ada dua macam jenis
data non metrik ini, yaitu data nominal dan data ordinal.

2.2. Klasifikasi Analisis Multivariat

Klasifikasi analisis multivariat ada tiga macam, yaitu yang pertama adalah teknik
dependensi atau istilah english versionnya adalah dependent technique. Yang kedua adalah
teknik interdependensi atau english versionnya adalah interdependent technique. Dan yang
ketiga atau yang terakhir adalah dan model struktural atau english versionnya disebut
dengan istilah structural model.

Para pakar ada yang menyebutkan bahwa Analisis Multivariat hanya

dikelompokkan ke dalam 2 klasifikasi saja. Yaitu analisis dependensi dan analisis
interdependensi. Menurut statistikian, tidak ada masalah tentang perbedaan ini, sebab para
pakar yang berpendapat bahwa ada dua klasifikasi, telah memasukkan Model Struktural
atau struktural equation modelling sebagai bagian dari klasifikasi analisis dependensi.

1. Teknik Dependensi Analisis Multivariat

Teknik Dependensi Analisis Multivariat adalah suatu metode Analisis Multivariat

dimana variabel atau kumpulan variabel yang diidentifikasi sebagai variabel dependen atau
variabel terikat dapat diprediksi atau dijelaskan oleh variabel lain yang merupakan variabel
independen atau variabel bebas. Analisis dependensi berfungsi untuk menerangkan atau
memprediksi variabel terikat dengan menggunakan dua atau lebih variabel bebas. Sehingga
analisis yang termasuk di dalam klasifikasi analisis dependensi antara lain: analisis regresi
linear berganda atau multiple linear regression, analisis diskriminan atau discriminant
analysis, analisis varian multivariate (MANOVA), dan analisis korelasi kanonikal atau
canonical correlations. Jenis-Jenis Analisis Dependensi antara lain :

a. Multiple Linear Regression atau Regresi Linear Berganda

Regresi Linear Berganda adalah metode analisis ini bertujuan menguji hubungan
antara dua variabel bebas atau lebih dan satu variabel terikat. Silahkan pelajari lebih
jauh tentang Analisis Regresi Korelasi. Regresi linear berganda adalah metode
analisis yang tepat diper- gunakan kalau masalah penelitian (research problem)
melibatkan satu variabel tak bebas Y yang metrik yang dipengaruhi atau terkait
dengan lebih dari satu variabel bebas X yang metrik atau non-metrik. Tujuan
analisis ini untuk memperkirakan/meramalkan nilai Y, kalau semua variabel X
 sudah diketahui nilainya, dengan menggunakan persamaan regresi berganda yang
dibentuk dengan menggunakan metode kuadrat terkecil (least square method).

Disamping itu juga untuk mengetahui besarnya pengaruh setiap variabel bebas yang
terdapat dalam persamaan. Analisis regresi linear berganda merupakan suatu
analisis asosiasi yang digunakan secara bersamaan untuk meneliti pengaruh dua
atau lebih variabel bebas terhadap satu variabel tergantung dengan skala interval.
Pada dasarnya teknik analisis ini merupakan kepanjangan dari teknik analisis
regresi linear sederhana. Untuk menggunakan teknik analisis ini syarat-syarat yang
harus dipenuhi diantaranya ialah:

 Data harus berskala interval.

 Variabel bebas terdiri lebih dari dua variabel.
 Variabel tergantung terdiri dari satu variabel.
 Hubungan antar variabel bersifat linier. Artinya semua variabel bebas
mempengaruhi variabel tergantung. Pengertian ini secara teknis disebut
bersifat rekursif, maksudnya pengaruh bersifat searah dari variabel-variabel
X ke Y, tidak boleh terjadi sebaliknya atau juga saling berpengaruh secara
timbal balik (reciprocal).
 Tidak boleh terjadi multikolinieritas. Artinya sesama variabel bebas tidak
boleh berkorelasi terlalu tinggi, misalnya o,9 atau terlalu rendah, misalnya
o,o1.
 Tidak boleh terjadi otokorelasi. Akan terjadi otokorelasi jika angka Durbin
dan Watson sebesar < 1 atau > 3 dengan skala 1 - 4.
 Jika ingin menguji keselarasan model (goodness of fit), maka dipergunakan
simpangan baku kesalahan. Untuk kriterianya digunakan dengan melihat
angka Standard Error of Estimate (SEE) dibandingkan dengan nilai
simpangan baku (Standard Deviation).Jika angka Standard Error of
Estimate (SEE) < simpangan baku(Standard Deviation), maka model
dianggap selaras.
 Kelayakan model regresi diukur dengan menggunakan nilai signifikansi.
Model regresi layak dan dapat dipergunakan jika angka signifikansi lebih
kecil dari 0,05 (dengan presisi 5%) atau 0,01.

b. Multiple Discriminant Analysis atau Analisis Diskriminan Berganda

 Analisis Diskriminan Berganda adalah suatu teknik statistika yang bertujuan untuk
memprediksi atau meramalkan probabilitas dari objek yang termasuk ke dalam dua
atau lebih kategori mutual yang eksklusif pada variabel terikat yang berdasarkan
pada beberapa variabel bebas. Asumsi dari analisis Diskriminan Berganda adalah
adalah variabel bebas harus berupa data metrik dan berdistribusi normal. Lebih
lanjut analisis diskriminan digunakan untuk membuat satu model prediksi
keanggotaan kelompok yang didasarkan pada karakteristik-karakteristik yang
diobservasi untuk masing-masing kasus. Prosedur ini akan menghasilkan fungsi
diskriminan yang didasarkan pada kombinasi-kombinasi linier yang berasal dari
variabel-variabel prediktor atau bebas yang dapat menghasilkan perbedaan paling
baik antara kelompok-kelompok yang dianalisis. Semua fungsi dibuat dari sampel
semua kasus bagi keanggotaan kelompok yang sudah diketahui. Fungsi-fungsi
tersebut dapat diaplikasikan untuk kasus-kasus baru yang mempunyai pengukuran
untuk semua variabel bebas tetapi mempunyai keanggotaan kelompok yang belum
diketahui.

Tujuan utama menggunakan analisis diskriminan ialah melihat kombinasi

linier. Secara khusus tujuannya untuk mempelajari arah perbedaan-perbedaan yang
terdapat dalam suatu kelompok sehingga diketemukan adanya kombinasi linier
dalam semua variabel bebas. Kombinasi linier ini terlihat dalam fungsi diskriminan,
yaitu perbedaan-perbedaan dalam rata-rata kelompok. Jika menggunakan teknik ini,
pada praktiknya peneliti mempunyai tugas pokok untuk menurunkan koefisien-
koefisien fungsi diskriminan (garis lurus). Sebagai contoh, konsumen suatu acara
konser musik secara umum dapat dibagi dua, yaitu mereka yang menggunakan tiket
vip dan tiket biasa. Untuk membuat klasifikasi ini prosedur analisis diskriminan
dapat digunakan sehingga peneliti dapat mengetahui faktor-faktor yang
berpengaruh terhadap pembuatan klasifikasi tersebut. Tujuan melakukan klasifikasi
tersebut ialah peneliti dapat memahami apakah pengelompokan tersebut signifikan
atau tidak. Artinya kelompok yang menggunakan tiket vip memang benar-benar
berbeda dengan kelompok yang menggunakan tiket biasa.

c. Multiple Logit Regression atau Multiple Logistic Regression atau Regresi logistik
Berganda

Regresi logistik Berganda adalah model regresi dimana satu variabel terikat non
metrik yang diprediksi atau diramalkan oleh beberapa variabel bebas berskala data
 metrik atau non metrik. Teknik ini hampir sama dengan analisis diksriminan, hanya
saja dalam perhitungannya menggunakan prinsip perhitungan regresi seperti halnya
regresi linear. Silahkan pelajari lebih jauh tentang regresi logistik.

d. Multivariate Analysis of Variance (MANOVA)

Suatu teknik statistik yang menyediakan suatu uji signifikansi simultan perbedaan
rata-rata antara kelompok-kelompok untuk dua atau lebih variabel dependen.
Silahkan pelajari lebih jauh tentang MANOVA. Dalam SPSS prosedur MANOVA
disebut juga GLM Multivariat yang digunakan untuk menghitung analisis regresi
dan varians untuk variabel tergantung lebih dari satu dengan menggunakan satu
atau lebih variabel faktor atau covariates. Variabel-variabel faktor digunakan untuk
membagi populasi kedalam kelompok- kelompok. Dengan menggunakan prosedur
general linear model, peneliti dapat melakukan uji mengenai pengaruh variabel-
variabel faktor terhadap rata-rata berbagai kelompok distribusi gabungan semua
variabel tergantung. Lebih lanjut, efek-efek covariates dan interaksi antar covariate
dengan semua faktor dapat dipertimbangkan dalam analisis. Dalam analisis regresi,
variabel bebas atau predictor dispesifikasi sebagai covariates. Untuk menggunakan
MANOVA beberapa persyaratan yang harus dipenuhi ialah:

 Variabel tergantung harus dua atau lebih dengan skala interval

 Variabel bebas satu dengan menggunakan skala nominal.
 Untuk semua variabel tergantung, data diambil dengan cara random sample
dari vektor-vektor populasi normal multivariat dalam suatu populasi, dan
untuk matrik-matrik variance-covariance untuk semua sel sama
 Untuk menggunakan prosedur GLM gunakan prosedur Explore untuk
memeriksa data sebelum melakukan analisis variance. Untuk satu variabel
tergantung gunakanlah prosedur GLM Univariate atau Multivariate jika
variabel dependen lebih dari satu. Jika Peneliti mengukur beberapa variabel
tergantung yang sama pada beberapa kesempatan untuk masing-masing
subyek, maka gunakanlah GLM Repeated Measures.

e. Conjoint Analysis atau Analisis Konjoin

 Analisis Konjoin adalah sebuah teknik statistik yang bertujuan untuk memahami
preferensi responden terhadap suatu produk atau jasa. Analisis ini juga dikenal
dengan istilah english versionnya sebagai trade off analysis.

f. Canonical Correlation atau Korelasi Kanonikal

Korelasi Kanonikal adalah bentuk pengembangan dari analisis regresi linear

berganda. Tujuan dari analisis korelasi kanonikal adalah untuk mengkorelasikan
secara simultan beberapa variabel terikat dengan beberapa variabel bebas.
Perbedaannya dengan regresi linear berganda adalah: regresi linear berganda hanya
menggunakan satu variabel terikat dengan beberapa variabel bebas. Sedangkan
pada korelasi kanonikal ini menggunakan beberapa variabel terikat yang akan
dikorelasikan dengan variabel bebas. Canonical loading atau sering disebut
canonical structure mengukur korelasi linear sederhana antara variabel awal
(original) dalam variabel dependen atau independen dan set canonical variate.
Canonical loading mencerminkan variance bahwa observed variabel share dengan
canonical variate dan dapat diinterpretasikan seperti factor loading dalam menilai
kontribusi relatif setiap variabel pada setiap fungsi kanonikal.

g. Canonical Weight

Pendekatan ini tergolong tradisional dalam menginterpretasikan fungsi kanonikal

dengan melihat tanda dan besaran dari canonical weight untuk setiap variabel dalam
canonical variate. Variabel yang memiliki angka weight relatif besar maka
memberikan kontribusi lebih pada variate dan sebaliknya. Variabel yang memiliki
nilai weight dengan tanda berlawanan menggambarkan hubungan kebalikan
(inverse) dengan variabel lainnya, dan variabel dengan tanda yang sama
menunjukkan hubungan langsung.

2. Teknik Interdependensi Analisis Multivariat

Teknik Interdependensi Analisis Multivariat adalah Analisis Multivariat yang

melibatkan analisis secara serentak dari semua variabel dalam satu kumpulan, tanpa
membedakan antara variabel yang terikat ataupun variabel yang bebas. Teknik analisis
interdependensi berguna dalam memberikan makna terhadap sekelompok variabel atau
membuat kelompok kelompok secara bersama-sama. Berikut jenis-jenis analisis
interdependensi :
a. Factor Analysis atau Analisis Faktor

Analisis faktor adalah sebuah teknik statistika untuk menganalisis struktur dari
hubungan timbal balik diantara sejumlah besar variabel yang bertujuan untuk
menentukan kumpulan faktor dari common underlying dimensions. Dalam analisis
faktor ada dua jenis analisis, yaitu Principal Components Analysis atau PCA dan
Common Factor Analysis.

b. Cluster Analysis atau Analisis Kluster

Analisis Kluster adalah sebuah teknik statistika yang bertujuan untuk

mengelompokkan sekumpulan objek sehingga setiap objek tersebut mirip dengan
objek yang lainnya dalam suatu gugusan atau kluster dan berbeda dari objek yang
berada pada semua gugusan lainnya. Dalam analisis kluster, ada dua jenis analisis,
yaitu analisis kluster hirarki dan analisis kluster non hirarki.

Prosedur analisis faktor juga dapat digunakan untuk membuat hipotesis yang
mempertimbangkan mekanisme sebab akibat atau menyaring sejumlah variabel
untuk kemudian dilakukan analisis selanjutnya, misalnya mengidentifikasi
kolinearitas sebelum melakukan analisis regresi linear. Dalam prosedur analisis
faktor, terdapat tingkatan fleksibilitas tinggi yaitu:

 Tujuh metode untuk membuat ekstrasi faktor.

 Lima metode rotasi, diantaranya ialah direct oblimin dan promax untuk rotasi
non orthogonal.
 Tiga metode untuk menghitung nilai-nilai faktor dan kemudian faktor-faktor
tersebut dapat disimpan ke dalam file untuk dianalisis lebih lanjut. Sebagai
contoh dalam suatu penelitian, peneliti ingin mengetahui sikap-sikap apa saja
yang mendasari orang mau memberikan jawaban terhadap pertanyaan-
pertanyaan dalam suatu survei? Dari hasil penelitian didapatkan adanya
tumpang tindih yang signifikan antara berbagai sub-kelompok butir-butir
pertanyaan, misalnya pertanyaan-pertanyaan mengenai masalah ekonomi
cenderung untuk berkorelasi dengan sosial. Jika terjadi demikian, maka peneliti
sebaiknya menyelesaikan persoalan tersebut dengan menggunakan analisis
faktor. Dengan teknik ini peneliti dapat melakukan penyelidikan sejumlah
faktor yang mendasarinya dan dapat mengidentifikasi faktor-faktor apa saja
 yang mewakilinya secara konseptual. Tidak hanya itu, peneliti juga dapat
menghitung nilai-nilai untuk masing-masing responden dan kemudian
dipergunakan untuk analisis selanjutnya. Sebagai contoh peneliti dapat
membuat model regresi logistik untuk memprediksi perilaku pemilihan presiden
didasarkan pada nilai-nilai faktor.

Untuk menggunakan teknik ini persyaratan yang sebaiknya dipenuhi ialah:

 Data yang digunakan ialah data kuantitatif berskala interval atau rasio.
 Data harus mempunyai distribusi normal bivariate untuk masing-masing
pasangan variabel
 Model ini mengkhususkan bahwa semua variabel ditentukan oleh faktor-faktor
biasa (faktor-faktor yang diestimasikan oleh model) dan faktor-faktor unik
(yang tidak tumpang tindih antara variabel-variabel yang sedang diobservasi)
Estimasi yang dihitung didasarkan pada asumsi bahwa semua faktor unik tidak
saling berkorelasi satu dengan lainnya.
 Persyaratan dasar untuk melakukan penggabungan ialah besar-nya korelasi
antar variabel independen setidak-tidaknya 0,5 karena prinsip analisis faktor
ialah adanya korelasi antar variabel.

c. Multidimensional Scaling atau Penskalaan Multi Dimensi

Multidimensional Scaling adalah sebuah teknik statistika yang bertujuan dalam

mengukur objek pada skala multidimensi yang berdasarkan pada keputusan dari
responden terhadap kesamaan objek.

d. Correspondence Analysis atau Analisis Korespondensi

Analisis Korespondensi adalah suatu teknik statistika yang menggunakan data-data

non metrik dan bertujuan untuk melakukan evaluasi terhadap hubungan linear atau
hubungan non linear. Dimana langkah tersebut sebagai bentuk usaha dalam
mengembangkan perceptual map yang menggambarkan asosiasi atau hubungan
antara objek dengan seperangkat karakteristik deskriptif dari objek tersebut.
3. Teknik Model Struktural Atau Structural Model Analisis Multivariat

Teknik yang terakhir ini, yaitu Teknik Model Struktural adalah sebuah teknik yang
yang mencoba menganalisis hubungan secara simultan variabel dependen dan independen
secara bersamaan. Model seperti ini dikenal dengan istlah model persamaan struktural atau
english versionnya adalah Structural Equation Model dan biasa disingkat dengan SEM.
Kelebihan SEM adalah dapat meneliti hubungan antara beberapa kelompok variabel secara
bersamaan atau serentak. Baik variabel bebas maupun variabel terikat. Bahkan metode ini
juga dapat menggabungkan adanya variabel laten. Variabel laten dalam hal ini adalah
variabel yang sebenarnya keberadaannya tidak dapat diukur secara langsung ke dalam
analisis.

4. Analisis Faktor dan Analisis MANOVA

Pada kesempatan ini akan membahas metode-metode analisis multivariat namun tidak
secara keseluruhan akan tetapi hanya membahas 2 metode analisis multivariat saja
diantaranya adalah analisis faktor, analisis cluster dan analisis multivariate varian
(MANOVA).
Salah satu dari beberapa metode analisis multivariat yang akan dilakukan dalam
makalah ini adalah analisis faktor. Analisis faktor adalah salah satu analisis yang banyak
digunakan pada statistik multivariat. Analisis faktor merupakan salah satu teknik untuk
menyederhanakan kumpulan variabel yang banyak dan saling berkorelasi menjadi suatu
kumpulan variabel baru yang ringkas dan tidak saling berkorelasi yang disebut faktor.
Didalam analisis varian, analisis regresi dan analisis diskriminan, satu variabel merupakan
variabel independen. Didalam analisis faktor, variabel-variabel tidak dikelompokan menjadi
variabel independen dan dependen. Metode estimasi dalam analisis faktor terdiri dari
metode non-iteratif dan metode iteratif. Akan tetapi metode estimasi yang akan dipakai
dalam penyelesaian masalah dalam makalah ini adalah metode analisis yang paling populer
yaitu analisis komponen utama (principal component analysis) yang termasuk dalam
metode non-iteratif.
Metode interdependen lain yang dilakukan selain dengan menggunakan analisis faktor
adalah analisis cluster. Analisis cluster merupakan salah satu teknik multivariat yang
mempunyai tujuan utama untuk mengelompokan objek-objek berdasarkan karakteristik
yang dimilikinya. Sehingga dalam analisis ini tidak ada pembedaan variabel dependent dan
variabel independen. Tujuan analisis cluster adalah untuk mengklasifikasi objek ke dalam
kelompok-kelompok yang relatif homogen yang didasarkan pada suatu kumpulan variabel
yang dipertimbangkan akan diteliti. Tahapan pengklusteran disajikan dalam dendogram
yang memungkinkan penelusuran pengklusteran obyek-obyek yang diamati dengan lebih
mudah dan informatif. Untuk menggunakan teknik ini persyaratan yang harus dipenuhi,
diantaranya ialah:
 Data yang digunakan untuk analisis ini ialah data kuantitatif berskala interval atau
rasio.
 Metode yang ada ialah hubungan antara kelompok (between-groups linkage),
hubungan dalam kelompok (within-groups linkage), kelompok terdekat (nearest
neighbor), kelompok berikutnya (furthest neighbor), kluster centroid (centroid
clustering), kluster median (median clustering), dan metode Ward's.

Selain metode interdependent, terdapat salah satu metode dependet yakni analisis
varian multivariat (MANOVA) yang sering digunakan untuk menghitung pengujian
signifikansi perbedaan rata-rata secara bersamaan antara kelompok untuk dua atau lebih
variable dependent. Teknik ini bermanfaat untuk menganalisis variabel-variabel dependent
lebih dari dua yang berskala interval atau rasio. Untuk menggunakan MANOVA beberapa
persyaratan yang harus dipenuhi ialah:

 Variabel tergantung harus dua atau lebih dengan skala interval

 Variabel bebas satu dengan menggunakan skala nominal.

Untuk semua variabel tergantung, data diambil dengan cara random sample dari
vektor-vektor populasi normal multivariate dalam suatu populasi, dan untuk matrik-matrik
variance-covariance untuk semua sel sama.

Langkah-langkah dalam melakukan analisis faktor dan MANOVA:

1) Uji asumsi
 Identifikasi kecukupan data dengan menggunakan Measure of Sampling
Adequacy (MSA) dan Kaiser-Meyer-Olkin (KMO).
Data dikatakan memenuhi kecukupan data jika nilai MSA atau KMO > 0,5
Cek MSA untuk masing-masing variabel:
o Lihat nilai anti image correlation
o Keluarkan variabel dengan nilai terkecil <0,5
o Ulangi proses pengujian sampai semua nilai MSA >0,5
o
KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,842

Approx. Chi-Square 1253,574

Bartlett's Test of Sphericity Df 66

Sig. ,000

 Identifikasi korelasi antar variabel.

o Hipotesis:
Ho: matriks korelasi adalah matriks identitas
H1: matriks korelasi bukan matriks identitas
o Jika nilai signifikansi<α maka tolak H0 atau ada korelasi antar
variabel.
o Nilai signifikansi dapat dilihat dari Bartlett’s test.
2) Proses ekstraksi.
Dalam melakukan proses ekstraksi metode yang paling populer digunakan adalah
PCA (principal component analysis).
Langkah-langkah dalam proses ekstraksi adalah:
 Penentuan jumlah faktor
Ada tiga cara menentukan banyaknya faktor dalam PCA, yaitu:
o Scree Plot
o Jumlah nilai eigen yang lebih besar 1
o Total variansi yang bisa dijelaskan adalah >70%
 Pengelompokan variabel ke dalam faktor

 Pemberian nama faktor

 Faktor 1 Faktor 2 Faktor 3

: resale : engine : sales in

size thousands
: price
: wheel : in sales
: horse
base
power : mpg
: width
: curb
weight : length
: fuel
capacity

3) Interpretasi output
 BAB III
PENUTUP

Analisis Multivariat adalah metode pengolahan variabel dalam jumlah yang banyak,
dimana tujuannya adalah untuk mencari pengaruh variabel-variabel tersebut terhadap suatu
obyek secara simultan atau serentak. Tipe Analisis Multivariat ada tiga yaitu analisis
dependensi, analisis interdependensi dan model struktural. Analisis dependensi: variabel
dikelompokkan menjadi variabel bebas (X) yang mempengaruhi dan variabel tidak bebas (Y)
yang dipengaruhi. Analisis interdependensi: variabel tidak dibedakan menjadi variabel bebas
(X) dan variabel tidak bebas (Y). Analisis Multivariat ini sering digunakan oleh para peneliti
karena kemudahan-kemudahan yang diberikan oleh aplikasi komputer dan banyaknya informasi
yang bisa didapat dari Analisis Multivariat.
 DAFTAR PUSTAKA

Aaker, D.A., Kumar, V., Day, G.S., 1995, Marketing Research, 5th Edition, John Wiley &
Sons, New York
Anggita, M., & Trenggana, A. F. M. (2020). Pengaruh Customer engagement Dan E-Service
Quality Terhadap Niat Beli Ulang Dengan Kepuasan Pelanggan Sebagai Variabel
Mediator Tiket.Com. ProBank, 5(1).
Bening, B., & Kurniawati, L. (2019). The Influence of Content marketing toward the Customer
engagement of Tokopedia Users in Yogyakarta. International Conference on
Technology, Education and Sciences, 138–148.
http://jurnal.ustjogja.ac.id/index.php/incotes/index
Dillon, W.R., Goldstein M., 1984, Multivariate Analysis: Methods and Applications, JohnWiley
& Sonsm New York.
Johnson, R. A., & Wichern, D. W. (2007). Applied multivariate statistical analysis (6th Ed).
New Jersey: Prentice International Inc.
Ghozali, I. 2015.Aplikasi Analisis Multivariate dengan Program SPSS.Semarang: Badan
Penerbit Universitas Diponegoro.
Gudono. (2011). Analisis data multivariat (edisi pertama). Yogyakarta: BPEE
Hair, J.R., Anderson, R.E., Tatham, R,L., Black W.C., 2006, Multivariate Data Analysiswith
Readings, 3th Edition, Macmillan Publishing Company, New York.
Hamid, M., Sufi, I., Konadi, W., Akmal, Y., & Iddris, J. (2019). Analisis Jalur dan Aplikasi
SPSS Versi 25. Sefa Bumi Persada.
Hermawan, H. (2018). Metode Kuantitatif Untuk Riset Bidang Kepariwisataan. Open Science
Framework.
Hidayat, A. (2012, Juli 1). Uji pearson product moment dan asumsi klasik. Dipetik Nov 2023,
11, dari https://www.statistikian.com/2012/07/pearson- dan-asumsi-klasik.html
Indriani, Y., & Abadyo. (2013). Perbandingan jumlah kelompok optimal pada metode single
linkage dan complete linkage dengan indeks validitas silhoutte. Diambil dari
http://jurnal-online.um.ac.id pada tanggal 21 Nov 2023.
Minto Waluyo, 2018, Panduan dan Aplikasi Struktural Equation Modelling (SEM) Jilid
II,Yayasan Humaniora, Surabaya .
Neuman, W.L., 1994, Social Research Methods, 2nd Edition, Allyn and Bacon, Boston.
Santoso, S. (2010). Statistika multivariat. Jakarta: PT Alex Media Komputindo
Sekaran, U., 2003, Research Methods for Business, 2nd Edition, Jon Wiley & Sons, New York.
Singgih Santoso, 2002, SPSS Statistik Parametrik, PT Alex Media Komputindo, Jakarta
Sinurat, B. (2014). Pengelompokan sekuens DNA menggunakan metode k-means dan fitur n-
mers frequency. Diambil dari http://repository.ipb.ac.id/handle/123456789/69384 pada
tanggal 21 November 2023.
Yulianto, S., & Hidayatullah, K. H. (2014). Analisis klaster untuk pengelompokan
kabupaten/kota di Provinsi Jawa Tengah Berdasarkan indikator kesejahteraan rakyat.
Statistika, 2, 56-63.
Yulianto, S., & Putriana, U. (Mei 2013). Analisis komponen utama (AKU) untuk
pengelompokan area pelayanan dan jaringan (APJ) Daerah Jawa Tengah dan D. I.
Yogyakarta. Buletin Median, 5:30-39.