HUBUNGAN ANTAR 2 (DUA) VARIABEL (BIVARIATE)

Pembahasan sampling theory pada dasarnya hanya menyangkut 1 (satu) variabel random atau sering disebut univariate. Dalam pembahasan tersebut, focus utama menyangkut hubungan antara sample dan populasi, atau pengambilan kesimpulan tentang hypothesa yang menyangkut parameter populasi berdasarkan data statistics empirik yang dihitung sampel. Pembahasan tersebut tidak menyangkut hubungan antar variabel ataupun model sebab akibat antar variabel. Dalam bagian berikut akan dibahas hubungan antar 2 variabel ( bivariate ) dan teknik statistik yang digunakan tergantung tingkat pengukuran variabel.

1.Pengukuran Nominal (Chapter 10.15, Walpole))

Pengukuran nominal adalah tingkat pengukuran yang paling sederhana sehingga unit analisis tidak dapat diukur individual tetapi hanya dapat diklasifikasikan dalam kategorinya masing2. Pengujian yang dilakukan sering juga disebut Test for Independence atau Tabel Contingency dengan menghitung besaran jumlah total selisih kuadrat frekuensi empirik (observasi = oi ) terhadap frekuensi teoritis (expected = ei ) relative terhadap expected ei atau :

dengan degree of freedom = ( r-1 )( c-1 ) dimana : oi = frekuensi observasi (empirik) ei = frekuensi expected r = row, banyaknya baris c = column, banyaknya kolom

Bila jatuh pada area penolakan yaitu maka Ho : tidak ada hubungan antara variabel 1 ( X1) dengan variabel 2 ( X2 ) , harus ditolak. Atau artinya ada hubungan atau pengaruh antara variabel 1 dan variabel 2. Contoh : Sampel sebanyak 1000 orang diambil untuk mengetahui apakah ada hubungan antara tingkat pendapatan ( income level, X1 ) dengan opini setuju-tidak setuju atas usulan perubahan pajak ( tax reform, X2 ). Atau dengan perkataan lain, apakah opini seseorang atas Tax Reform

dipengaruhi oleh tingkat kemakmurannya. Hypothesa dari persoalan diatas adalah Ho :Tidak ada perbedaan opini antara kelompok pendapatan rendah, menengah dan tinggi. Persoalan diatas menyangkut hubungan antara 2 variabel pada tingkat pengukuran nominal kareana unit analysis hanya dapat dikelompokan (diukur) dalam kategori tingkat pendapatan rendah, menengah, tinggi (X1 ), sedangkan ( X2 ) hanya dapat dikelompokan dalam kategori setuju-tidak setuju. Distribusi frekuensi dari setiap kelompok pendapatan dan opini adalah sebagai berikut : Observed Frequency ( oi ) Rendah 182 154 336 Income Level Menengah 213 138 351 Tinggi 203 110 313 Total 598 402 1.000

Opini Setuju Tidak setuju Total

Berdasarkan jumlah dari setiap kelompok (baris dan kolom), dengan teori probability kita dapat menghitung peluang teoritis (expected probability) setiap orang dari sel (1,1) adalah probability dari kelompok setuju dan kelompok pendapatan rendah atau P(rendah ) = P ( Rendah) P(Setuju) = 1000 = 200,9 orang. Dengan cara yang sama akan didapatkan expected frequency untuk tiap sel sebagai berikut : Expected Frequency ( ei ) Income Level Rendah Menengah 200,9 209,9 135,1 141,1 336 351 Tinggi 187,2 125,8 313
( ) (

20,09% atau expected frequency untuk sel (1,1) adalah : 20,09%

Opini Setuju Tidak setuju Total

Total 598 402 1.000

)

Dari tabel Observasi dan Expected , dapat dihitung nilai ........

( ) ( )

= 7,85

dengan degree of freedom= (r-1)(c-1)= (2-1)(3-1) = 2 Atau P ( )dof=2 = 0,02 yang masih lebih kecil dari 0,05, atau Hypothesa Ho ditolak.

Dengan perkataan lain, memang ada perbedaan opini antar kelompok tingkat pendapatan.

Tingkat atau intensitas hubungan antara 2 variabel seringkali disebut sebagai indeks korelasi dan untuk 2 variabel nominal walaupun pengujian dapat menunjukan signifikasi hubungan, indeks korelasi yang digunakan adalah contingency coefficient C (Siegel,1956) yang didefinisikan : C=

Atau untuk contoh diatas C =

0,09. Dapat dilihat bahwa dengan N

yang semakin besar nilai numeric yang kecil cukup memberikan signifikasi.

2.Pengukuran Ordinal
Kedua teknik korelasi ordinal berikut ini masuk dalam kategori statistic non parametric, yaitu teknik yang tidak menggunakan asumsi tentang distribusi populasi sehingga hubungan antara distribusi populasi dengan distribusi sampel sebenarnya tidak diketahui, atau generalisasi dari kesimpulan sampel sebenarnya terbatas. Untuk variabel dengan tingkat pengukuran ordinal, indeks korelasi yang dapat digunakan adalah Spearman Rank Correlation rs atau Kendall Rank Correlation a. Spearman rs atau (rho, untuk notasi parameter))

rs = 1-

dimana : di = selisih rank X1 X2 Contoh : 10 merk rokok diukur kandungan Tar ( X1 ) dan Nicotine ( X2 ) sebagaimana dalam tabel berikut : Brand Viceroy Marlboro Chesterfield Kool Kent Raleigh Tar X1 14 17 28 17 16 13 Nicotine X2 0.9 1.1 1.6 1.3 1.0 0.8 Rank X1 2 4.5 9 4.5 3 1 Rank X2 2 4 9 6 3 1 di = X1-X2 0 0.5 0 -1.5 0 0 0 0.25 0 2.25 0 0

Old Gold Phil Morris Oasis Players

24 25 18 31

1.5 1.4 1.2 2.0

7 8 6 10
( )( ) )

8 7 5 10

-1 1 1 0

1 1 1 0

Atau Spearman Rank Correlation rs = 1- (

Hypothesa nol adalah tidak ada korelasi atau H0 : = 0 Pengujian significant dari nilai rs yang didapat, bisa mgnggunakan Tabel Spearman ( A.22, Walpole). Dari nilai rs diatas, nilai kritis untuk n = 10 dan hubungan antara X1 dan X2. Pengujian juga dapat dilakukan dengan pendekatan normal, karena distribusi dari rs akan mengikuti distribusi normal, sehingga nilai rs yang dihitung dapat di konversikan kepada nilai z normal, sebagai berikut : 0,01 adalah rs = 0,745, sedangkan nilai

rs hitung adalah = 0,967, atau nilai korelasi significant, atau Ho ditolak, artinya memang ada

z=

. Catatan : = 0 = 2.9 yang akan berada didaerah rejection

Atau untuk contoh diatas z = 0,967 untuk 2.33

b. Kendall Rank Correlation Kendall didefinisikan sebagai ratio antara total pasangan dengan urutan natural berdasarkan data empiris ( S ) dibandingkan dengan total kombinasi pasangan yang seharusnya berurutan dengan benar (teoritis)

=
Contoh :

( ) (

Karya essay 4 orang mahasiswa dinilai oleh 2 orang penilai dan diurutkan dalam ranking mulai dari terbaik sbb :

Mahasiswa Penilai

X Y

A 3 3

B 4 1

C 2 4

D 1 2

Bila penilaian salah satu penilai (judge) diurutkan sesuai ranking dari terbaik dstm, maka urutan mahasiswa adalah sbb. : Mahasiswa Penilai

X Y

D 1 2

C 2 4

A 3 3

B 4 1

Dari tabel yang kedua, penilaian judge X sudah berurutan dan dianggap sebagai reference. Bila kedua penilai sepakat, maka seharusnya penilaian dari judge Y akan berurutan sama seperti judge X. Dari tabel dapat dilihat bahwa ternyata penilaian kedua judge tersebut tidak 100% sama atau korelasi kedua penilaian tersebut tidak sempurna. Bila penilaian judge X digunakan sebagai reference, maka untuk judge Y, banyaknya score untuk pasangan yang terurut dengan benar dihitung sbb : 1. Dimulai dari mahasiswa D paling kiri (ranking 1 pada penilaian judge X) terhadap C, penilaian judge Y urutannya dari rank 2 ke rank 4 (kecil ke besar) atau secara normative benar. Untuk itu mendapat score (+1) 2. Untuk urutan pasangan selanjutnya (D terhadap A)dari rank 2 ke rank 3, (kecil ke besar) atau sesuai dengan standard normative, maka skor (+1) 3. Berikutnya adalah urutan D terhadap B, dari rank 2 ke rank 1, atau menurun dari besar ke kecil atau tidak memenuhi standard yang seharusnya. 4. Jadi komparasi D terhadap ke 3 mahasiswa lain akan menghasilkan skor total = (+1) + (+1) + (-1) = + 1 5. Proses tersebut dilakukan berikutnya untuk komparasi antara C terhadap A dan B yang akan menghasilkan skor = - 2 dan komparasi A terhadap B akan menghasilkan skor = -1 6. Total skor keseluruhan adalah = +1 2 1 = -2 7. Maksimum skor yang bisa dicapai adalah kombinasi 2 dari 4 atau ( ) 6 8. Maka nilai korelasi Kendall = - 0.33

Significance Test Untuk setiap N ! ranking yang mungkin terjadi, selalu berasosiasi dengan nilai , besarnya nilai bervariasi dari -1 sd +1 dan membentuk distribusi frekuensi. Sebagai contoh, untuk N = 4 maka ada 4 ! = 24 kombinasi urutan ranking dan setiap kombinasi berkaitan dengan nilai tertentu dengan probability of occurrence tertentu. Tentu saja proses tersebut tidak praktis bila menyangkut N cukup besar, untuk nilai N sd 10 dapat digunakan tabel Kendall (tabel Q, Siegel). Untuk N 0 10, sampling distribution dari akan mengikuti distribusi normal dengan : dan

( (

) )

dan pengujian significant dari nilai hitung dapat dilakukan seperti biasa.

3. Pengukuran metric
Untuk variabel dengan tingkat pengukuran interval atau ratio indeks hubungan antar variabel dinyatakan dalam Pearson Correlation yang didefinisikan :

rxy =

( X X )(Y Y ) ( X X ) (Y Y )
2 2

xy x2 y2

dimana : x =( X - )

dan

y=( Y - )

Pengujian significance dapat dilakukan dengan distribusi t melalui konversi :

t=

( (

) )

Atau dengan distribusi normal melalui konversi :

z=

( (

) )