Analisis Data

Univariat, Bivariat, Multivariat

 Beberapa faktor yang
mempengaruhi analisis data
• Populasi – ukuran populasi (parametrik:
(e.g., µ, σ, σ2 , ρ ) atau non parametrik
• Penarikan sample – probabilita atau non
probabilita
• Jenis variabel – diskret atau continue,
• Skala pengukuran – nominal, ordinal,
interval atau rasio
• Hasil kurva normal – normal atau tidak
 Analisis berdasar jumlah variabel

• Univariate Statistics melibatkan satu

variabel pada satu waktu
• Bivariate Statistics melibatkan dua
variabel secara simultan
• Multivariate Statistics melibatkan tiga
atau lebih variabel dalam satu
analisis
 Klasifikasi Tehnik Statistik Univariat
(inferensi)
Univariate Techniques

Metric Data Non-metric data

(i.e., interval or ratio) (i.e., nominal, ordinal)

One sample Two or more One sample Two or more

-t-test, z- test samples Frequency, Chi- samples
square, K-S, etc.

Independent Related
t-test Paired t-test Independent Related
z-test Chi-square Wilcoxon
One-way ANOVA Mann-Whitney McNemar
K-S, etc. Chi-square, etc.
 Univariat analisis – Metrik data
satu sampel
• Satu sample
- t test (sampel kecil), z test (sampel besar)
Suatu pengujian dilakukan kepada 12 murid SMP. Rata-
rata tingkat melek media mereka adalah 73,8 dg
standard deviasi 7,9. Seorang peneliti menarik
kesimpulan: jika rata-rata melek media mereka kurang
dari 75, maka mereka diharuskan mengikuti kursus
melek media. Ujilah pendapat peneliti dengan tingkat
signifikansi 95%.
• sehingga dapat disimpulkan bahwa dengan Ho
tidak ditolak, artinya tidak cukup bukti untuk
menyatakan bahwa rata-rata melek media
kurang dari 75, sehingga murid SMP tidak perlu
kursus melek media

73,8 − 75
t hitung = = −0.53
7,90
12

Daerah Ho ditolak
 Univariat data – metrik,
dua sampel atau lebih
• Independent: melihat perbedaan jika dua
kelompok sampel diteliti, namun tidak terdapat
hubungan di antara kedua kelompok tersebut
• Related/dependent: melihat perbedaan jika
dilakukan dua kali pengujian untuk kelompok
yang sama pada waktu yang berbeda
• One way ANOVA melibatkan hanya satu
variabel kategorikal, bertujuan untuk menguji
hipotesis nol yang artinya, rata-rata kategori
sama dengan rata-rata di populasi Ho:
μ1=μ2=μ3...=μn
 Univariat analisis – non metrik
satu sampel
• Tabel distribusi frekuensi
• Chi square test for goodness of fit: untuk mengetahui
perbedaan proporsi dari masing-masing kategori -
digunakan dengan anggapan distribusi data tidak
simetris
Dengan rumusan hipotesis sebagai berikut:
Ho: p1 = p2 = pn = 1/jumlah kategori
Ha: p1 = p2 ≠ pn = 1/jumlah kategori
• Lakukan pengujian dengan Afiliasi masyarakat pada f
tingkat signifikansi 95% parpol
untuk hasil penelitian PK 31
mengenai afiliasi
PAN 19
masyarakat pada partai
politik tertentu (data fiktif) PBB 19
apakah proporsinya P. Golkar 25
berbeda antara kategori
yang satu dengan kategori PDIP 41
yang lainnya. Jumlah 135
• sehingga dapat disimpulkan
bahwa dengan tingkat
signifikansi 95% cukup bukti
untuk menyatakan bahwa
proporsi antara kategori
yang satu dengan yang Daerah Ho

lainnya tidak sama dengan ditolak

1/5.
9,49 12,74
 Bivariate Analysis
• Describes the association/correlation
between each pair of variables
• Answers the question: Is there a
relationship between these two variables?
• Initial step in hypothesis testing –
melibatkan signifikansi (significance of null
hypothesis)
 Beberapa formulasi hub. bivariat
• Cross sectional
- concomitant variaton (pearson’s r)
- differentiation (t-test, independent
sample)
- probability distribution (cramer, lambda,
spearman, kendall)
• Longitudinal
- before – after differentiation (t-test
dependent)
 BIVARIAT - KORELASI
Variabel 1 Variabel 2
Nominal Ordinal Interval
nominal Chi-square T test
Cramer’s V
Coefficien Z test
contingency
Lambda

ordinal Kendall’s
Spearman
Gamma
Sommer’s D
interval Pearson’s
Regression
NOMINAL
 The Phi Coefficient (φ)
• Based on chi-square
• Tehnik utk melihat keeratan 2 var.
nominal, atau var. yg tlh diredusi jd skala
nominal
• Data disajikan dalam tabel silang 2x2
 Interpretation
There is a significant association
between race and sentence type in
the population of the order of
0.149.
 Contingency Coefficient (C)
• Keeratan antara dua nominal variabel
pada tabel frekuensi 2x2 ATAU LEBIH
• Dua variabel dari skala nominal atau
variabel yang telah diredusi ke dalam
skala nominal
 Level of significance: p < 0.001
Contingency Coefficient = 0.324
 Cramér’s V Correlation
Coefficient
• Menjelaskan korelasi antar dua var.
nominal
• Alternatif lain penggunaan Contingency
Coefficient C bila data pada tabel
frekuensi tidak simetris (cth: 2x3, 4x7,
5x6)
Lambda (λ): Guttman’s Coefficient
of Predictability
• Tehnik untuk menentukan tingkat
kesalahan prediksi pada satu var. nominal
dapat dikurangi dengan mengetahui var.
nominal lainnya.
• Interpretation
The error in predicting gender is reduced
by 0.21, (21%), by knowledge of attitude
toward the death penalty.
Since λ = 0.0, the reduction in the error in
predicting attitude toward the death
penalty by a knowledge of a person’s
gender would be 0%, or none at all.
ORDINAL
 Spearman Rank-Order
Correlation Coefficient: ρ (rho)

• Untuk dua variabel ordinal atau variabel

metrik yg diredusi ke dalam skala ordinal
• Korelasi antar variabel bersifat linear
• Bila uji signifikansi digunakan, sampel
diambil secara random dr populasi
 Goodman’s & Kruskal’s
Gamma (γ)
• Menjelaskan keeratan antar dua var.
ordinal
• Hubungan antar var. linear
INTERVAL
 Pearson’s Correlation
Coefficient (r)
• Tell you two things about the relationship:
– Strength?
– Direction?
• Also, look at the p-value:
– Significant?
 Strength
• How strong is the relationship?
• Look at the value of r
• How big is the number?
– 1.0 (-1.0) = Perfect Correlation
– .60 to .99 (-.60 to -.99) = Strong
– .30 to .59 (-.30 to -.59) = Moderate
– .01 to .29 (-.01 to -.29) = Weak
– 0 = No Correlation
 Direction
• What is the direction of the relationship?
• Look at the sign of r
• Positive (+)
– Both variables move in the same direction
– If one is going up, the other is going up too.
– OR, if one is going down, the other is going down too.
• Negative (-)
– Both variables move in opposite directions
– If one is going up, the other is going down.
– OR, if one is going down, the other is going up.
 Significance
• Is the relationship significant?
– Look at the p-value
• p < .05, then it is significant
• p > .05, then it is NOT significant
• NOTE: You may see the strength and
direction of a relationship, but it may not
actually be significant.
 REGRESSION ANALYSIS
• Melakukan prediksi terhadap variabel dependen
berdasarkan variabel independen
 Cross Tabulation
Count
Satisfaction
no yes Total
Absenteesim no 5 9 14
yes 4 2 6
Total 9 11 20
 BIVARIAT – PERBEDAAN RATA-RATA
INDEPENDENT PAIRED

2 SAMPEL >2 SAMPEL 2 SAMPEL >2 SAMPEL

• Binomial Test • Kruskal- • Wilcoxon • Friedman

• Mann-Whitney Wallis H Test Test
U Test Test • Sign Test • Kendall’s W
• Kolmogorov- • Mc-Nemar Test
Smirnov Z test
Test • Cochran’s Q
• Wald- Test
Wolfowitz runs
test
• Moses-
extremes
reaction
 BINOMIAL TEST
 Untuk menguji perbedaan proporsi antara 2
kelompok
 Dua kelompok di uji tentang keberhasilan sosialisasi perda no. 5 tahun
2004. Kelompok 1: dari 60 responden, 41 menyatakan setuju.
Kelompok 2: dari 60 responden, 24 menyatakan setuju
 Apakah ada perbedaan proporsi yang setuju antara kelompok 1
dengan kelompok 2 dengan α=5%

Ho: Tidak ada perbedaan proporsi jumlah yang setuju

antara kelompok 1 dengan kelompok 2
Ha: ada perbedaan proporsi jumlah yang setuju antara
kelompok 1 dengan kelompok 2
 MANN-WHITNEY U TEST
 Untuk menguji ada tidaknya perbedaan skor
antara dua kelompok yang independen
Contoh Mann-Whitney U Test
• Penelitian dilakukan untuk menguji perbedaan
skor partisipasi murid sekolah agama dan sekolah
umum. Hasilnya:
Sekolah Agama Sekolah Umum
5 11 19 23 5 13 19 26
6 13 19 24 7 13 20 26
8 13 20 28 8 14 20 27
8 14 21 28 8 14 21 27
10 16 22 8 18 22
10 17 22 9 19 24
11 17 22 12 19 24
 Ranks

sekolah N Mean Rank Sum of Ranks

partisipa Sekolah Agama 25 24.86 621.50
Sekolah Umum 25 26.14 653.50
Total 50

Te st Statisticsa

partisipa
Mann-Whitney U 296.500
Wilcoxon W 621.500
Z -.311
Asymp. Sig. (2-tailed) .756
a. Grouping Variable: sekolah
 UJI PERINGKAT KRUSKAL-
WALLIS
• Digunakan untuk skala ordinal 3 kelompok atau
lebih sampel independen
• Data tidak terdistribusi secara normal dan variansi
populasi tidak sama
Ho: tidak ada perbedaan skor antara kelompok industri,
keuangan dan perdagangan
Ha: ada perbedaan skor antara kelompok industri,
keuangan dan perdagangan

Industri Keuangan Perdagangan

32(2) 32(2) 28(7)
30(4,5) 32(2) 21(13)
30(4,5) 26(9) 15(20,5)
29(6) 26(9) 15(20,5)
26(9) 22(12) 14(24)
23(11) 20(14,5) 14(24)
20(14,5) 19(16,5) 14(24)
19(16,5) 16(19) 11(28)
18(18) 14(24) 9(29)
12(27) 14(24) 8(30)
n1=10 n2=10 n3=10
ΣR1=113 ΣR2=132 ΣR3=220
 Ranks

bidang N Mean Rank

skor industri 10 19.70
keuangan 10 17.80
perdagangan 10 9.00
Total 30

Te st Statisticsa,b

skor
Chi-Square 8.471
df 2
Asymp. Sig. .014
a. Kruskal Wallis Test
b. Grouping Variable: bidang
 UJI PERINGKAT BERGANDA
WILCOXON
• Uji perbedaan skor sebelum dan sesudah
 produksi ranking
Operator sebelum sesudah d tanda + -
A 17 18 1 1,5 1,5
B 21 23 2 3 3
C 25 22 -3 5 5
D 15 25 10 8 8
E 10 28 18 10 10
F 16 16 0
G 10 22 12 9 9
H 20 19 -1 1,5 1,5
I 17 20 3 5 5
J 24 30 6 7 7
K 23 26 3 5 5
Ho: tidak ada perbedaan kualutas produksi sebelum dan
sesudah penggunaan mesin baru
Ha: ada perbedaan kualutas produksi sebelum dan
sesudah penggunaan mesin baru
 Ranks

N Mean Rank Sum of Ranks

after - before Negative Ranks 2a 3.25 6.50
Positive Ranks 8b 6.06 48.50
Ties 1c
Total 11
a. after < before
b. after > before
c. after = before

Te st Statisticsb

after - before
Z -2.148 a
Asymp. Sig. (2-tailed) .032
a. Based on negative ranks.
b. Wilcoxon Signed Ranks Test
 McNEMAR TEST
 Uji perubahan sikap sebelum dan sesudah

After
Before Success Failure
Failure n1 n2
Success n3 n4
 postconv
preconv
1 2
1 15 0
2 15 20

Te st Statisticsb

preconv &
postconv
N 50
Exact Sig. (2-tailed) .000 a
a. Binomial distribution used.
b. McNemar Test
 FRIEDMAN TEST
Digunakan untuk melihat ada tidaknya perubahan
hasil untuk pengujian > 2 kali.
Ho: tidak ada perubahan skor hasil tes
Ha: ada perubahan skor hasil tes

χ =
2
F
12
15(3)(3 + 1)
(2 2 2
)
19 + 29 + 42 − ( 3(15)(3 + 1) ) = 17,73

Bandingkan dengan nilai tabel chi-square pada df=k-1 yaitu

5,99
Jika uji Friedman > Chi-square tabel maka Ho ditolak
 Ranks

Mean Rank
tes1 1.27
tes2 1.93
tes3 2.80

Te st Statisticsa
N 15
Chi-Square 18.345
df 2
Asymp. Sig. .000
a. Friedman Test
 COCHRAN’S TEST
Uji perbedaan sikap pada > 2 hal yang kategori
jawabannya hanya 2.
 Ho: tidak ada perbedaan jawaban untuk
ketiga jenis wawancara
Ha: ada perbedaan jawaban untuk ketiga
jenis wawancara

Q=
[ ]
(3 − 1) (3(52 + 52 + 0 2 ) − 10 2
= 7,143
3(10) − 16

Bandingkan nilai Cochran’s Q dengan nilai tabel

chi-square pada df=k-1 yaitu 5,99. Hasil Q > dari
nilai chi-square sehingga Ho ditolak artinya ada
perbedaan jawaban ya untuk ketiga jenis
wawancara.
 Fre que ncie s

Value
0 1
VAR00023 5 5
VAR00024 5 5
VAR00025 10 0

Te st Statistics
N 10
Cochran's Q 7.143 a
df 2
Asymp. Sig. .028
a. 0 is treated as a success.
 ELABORASI
• Merinci penjelasan hubungan antar
variabel – dengan memasukkan variabel
ketiga dalam analisis
• Variabel ketiga: intervening variable(s),
antecedent variable(s), specifying
variable(s)
Status Analisis dalam Elaborasi
•Eksplanasi
theoritical status
Tipe brand placement (antecedent variable) –
Terpaan Media (independent variable) – Interaksi
parasosial (intervening variable) – perilaku
membeli (dependent variable)
•Prediksi
Theoritical status
Faktor-faktor yang mempengaruhi perilaku
membeli
 Intervening Variable(s)
• All three variables (intervening,
independent, dependent) must be related
• When intervening variable is controlled,
the relationship between IV and DV should
vanish
• When IV is controlled, the relationship
between the intervening and DV should
not disappear
• Antecedent – independent – intervening -
dependent
 ANTECEDENT VARIABLE(S)
• All three variables (antecedent,
independent and dependent) must be
related
• When antecedent variable is controlled,
the relationship between IV and DV should
vanish
• When IV is controlled, the relationship
between the antecedent and DV should
not disappear
 Kemungkinan hasil elaborasi
• Konstan - replikasi
• Melemah – eksplanasi/interpretasi
• Terbelah – spesifikasi
• Menguat – variabel ketiga mempengaruhi
(suppressor)
 Klasifikasi tehnik statistik multivariat

Multivariate Techniques

Dependence Interdependence
Techniques Techniques

One Dependent More than one Variable inter- Inter-object

Variable Dependent Variables dependence similarity
-Cross Tabulation - Multivariate analysis of - Factor Analysis - Cluster Analysis
- ANOVA variance and covariance - Multidimensional
- ANCOVA - Canonical correlation
Scaling
- Multiple Regression - Multiple discriminant
- Discriminant Analysis analysis
- Conjoint Analysis
MULTIPLE REGRESSION
(REGRESI BERGANDA)
 Perbedaan MR dan tehnik lain
• Satu DV (criterion variable) & beberapa IV
(predictor variable) (bandingkan dg factor
analysis & cluster analysis yg memilik
banyak DV)
• IVs boleh saling berhubungan
(bandingkan dg ANOVA yg IVs-nya harus
saling independen)
• IVs karakternya bisa kontinu (bandingkan
dg ANOVA yg IVs-nya harus kategorial)
• Pengamatan thd satu DV dijelaskan
melalui variasi hubungannya dg IVs
• Mengetahui mana dari IV yang secara
signifikan berkorelasi dg DV, dg
mempertimbangan bermacam korelasi
yang muncul di antar IVs
• Hubungan antarvariabel dalam MR
bersifat alamiah, bukan eksperimental
 Rules in Multiple Regression
• Random sampling
• DV: interval (continuous scale), tp praktiknya skala
ordinal sdh cukup (kecuali jika n kecil sekali)
• IV: interval, but most ordinal scale measurement will be
acceptable in practice
• Normal distribution
• Relationship between IV and DV should be linear.
• Although IV can be correlated, there must be no perfect
correlations among them (correlation: the score on one
variable will allow you to predict the score on the other
variable)
• Tdk boleh ada interaksi antar IVs – pengaruh tiap IV thd
DV harus independen satu sama lain
 Kapan menggunakan MR?
• when exploring linear relationships between the
predictor and criterion variables – that is, when
the relationship follows a straight line.
• The criterion variable should be measured on a
continuous scale (such as interval or ratio scale).
• The predictor variables should be measured on
a ratio, interval, or ordinal scale.
• Multiple regression requires a large number of
observations (N) (Jmlh N harus melebihi IVs)
• Minimun: N= 5 x IVs
• Medium: N = 10 x IVs
• Ideal: N = 40 x IVs
Path Analysis
 Feature of Path Analysis
• Path analysis is an extension of the regression model
• Used to test the fit of the correlation matrix against two
or more causal models which are being compared by the
researcher.
• A regression is done for each variable in the model as a
dependent on others which the model indicates are
causes.
• The regression weights predicted by the model are
compared with the observed correlation matrix for the
variables, and a goodness-of-fit statistic is calculated.
• The best-fitting of two or more models is selected by the
researcher as the best model for advancement of theory.
CLUSTER ANALYSIS
 Features of Cluster Analysis
• Descriptive, exploratory technique
• Non-inferential: no statistical inference
from sample to population
• Wide variety of methods: can produce
many different “solutions”
• Clusters always produced, regardless of
“true structure”
• Highly dependent on the variables used
 TUJUAN DASAR
• Mengelompokkan objek berdasarkan
kesamaan karakteristik
• Objek yang sama akan berada dalam satu
cluster
 Tujuan
Partition cases into groups based on
similarities of characteristics:
•To form a taxonomy (empirically-based
classification)
•To compare with a typology (theoretically
based classification)
•To simplify data structure (clusters can be
profiled by their general characteristics)
•To reveal hidden relationships among
cases
DISCRIMINANT ANALYSIS
 Two goals for DA
• Interpretation: “How are the groups different?”
Find and interpret linear combinations of
variables that optimally predict group differences
(to assess the adequacy of classification, given
the group memberships of the objects under
study )
• Classification: “How accurately can observations
be classified into groups?” Using functions of
variables to predict group membership for a data
set and evaluate expected error rates (to assign
objects to one of a number of (known) groups of
objects)
Discriminant Analysis: Introduction
• A technique use to build a predictive
model of group membership based on
observed characteristics of each case
(e.g. to group children into two main
groups of Very Clever or Just Clever
children based on their performance on
the three core subjects English,
Mathematics, and Science. )
• to generate functions from a sample of
cases for which group membership is
known; the functions can then be applied
to new cases with measurements for the
predictor variables but unknown group
membership (e.g. That is, knowing a
child's score on three subjects, we can
use the discriminant function to determine
whether the child belongs to the Very
Clever group or the Just Clever group. )