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

9 orang.2 125.. Dengan perkataan lain.dipengaruhi oleh tingkat kemakmurannya.. menengah dan tinggi.02 yang masih lebih kecil dari 0..9 135.1 336 351 Tinggi 187.1) adalah : 20.000 ) Dari tabel Observasi dan Expected . tinggi (X1 ).05. dapat dihitung nilai .09% Opini Setuju Tidak setuju Total Total 598 402 1.09% atau expected frequency untuk sel (1. Persoalan diatas menyangkut hubungan antara 2 variabel pada tingkat pengukuran nominal kareana unit analysis hanya dapat dikelompokan (”diukur”) dalam kategori tingkat pendapatan rendah. sedangkan ( X2 ) hanya dapat dikelompokan dalam kategori setuju-tidak setuju.1) adalah probability dari kelompok setuju dan kelompok pendapatan rendah atau P(rendah ) = P ( Rendah) P(Setuju) = 1000 = 200.000 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 (1.9 209. ( ) ( ) = = 7.. menengah. atau Hypothesa Ho ditolak.85 dengan degree of freedom= (r-1)(c-1)= (2-1)(3-1) = 2 Atau P ( )dof=2 = 0.. . Dengan cara yang sama akan didapatkan expected frequency untuk tiap sel sebagai berikut : Expected Frequency ( ei ) Income Level Rendah Menengah 200. memang ada perbedaan opini antar kelompok tingkat pendapatan. Hypothesa dari persoalan diatas adalah Ho :Tidak ada perbedaan opini antara kelompok pendapatan rendah.8 313 ( ) ( 20.1 141. 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.

indeks korelasi yang dapat digunakan adalah Spearman Rank Correlation rs atau Kendall Rank Correlation τ a. Untuk variabel dengan tingkat pengukuran ordinal.09. Dapat dilihat bahwa dengan N yang semakin besar nilai numeric yang kecil cukup memberikan signifikasi. yaitu teknik yang tidak menggunakan asumsi tentang distribusi populasi sehingga hubungan antara distribusi populasi dengan distribusi sampel sebenarnya tidak diketahui.8 Rank X1 2 4.1 1.0 0.Tingkat atau intensitas hubungan antara 2 variabel seringkali disebut sebagai indeks korelasi dan untuk 2 variabel nominal walaupun pengujian dapat menunjukan signifikasi hubungan.9 1.Pengukuran Ordinal Kedua teknik korelasi ordinal berikut ini masuk dalam kategori statistic non parametric. Spearman rs atau ρ (rho. 2.25 0 0 .3 1.5 9 4.6 1. atau generalisasi dari kesimpulan sampel sebenarnya terbatas.5 0 -1.5 3 1 Rank X2 2 4 9 6 3 1 di = X1-X2 0 0.1956) yang didefinisikan : C=√ Atau untuk contoh diatas C = √ 0. indeks korelasi yang digunakan adalah contingency coefficient C (Siegel.25 0 2.5 0 0 0 0. 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.

atau nilai korelasi significant.01 adalah rs = 0.( Hypothesa nol adalah tidak ada korelasi atau H0 : ρ = 0 Pengujian significant dari nilai rs yang didapat.33 b. Catatan : ρ = 0 = 2. atau Ho ditolak. Kendall Rank Correlation τ Kendall τ didefinisikan sebagai ratio antara total pasangan dengan urutan natural berdasarkan data empiris ( S ) dibandingkan dengan total kombinasi pasangan yang seharusnya berurutan dengan benar (teoritis) τ= Contoh : ( ⁄ ) ( ) ( ) Karya essay 4 orang mahasiswa dinilai oleh 2 orang penilai dan diurutkan dalam ranking mulai dari terbaik sbb : .9 yang akan berada didaerah rejection Atau untuk contoh diatas z = 0.5 1.2 2. nilai kritis untuk n = 10 dan hubungan antara X1 dan X2. Dari nilai rs diatas. sehingga nilai rs yang dihitung dapat di konversikan kepada nilai z normal.745.22.967 √ untuk 2. bisa mgnggunakan Tabel Spearman ( A.Old Gold Phil Morris Oasis Players 24 25 18 31 1. Pengujian juga dapat dilakukan dengan pendekatan normal.4 1. karena distribusi dari rs akan mengikuti distribusi normal. Walpole).967. artinya memang ada z= ⁄ √ √ ………….0 7 8 6 10 ( )( ) ) 8 7 5 10 -1 1 1 0 1 1 1 0 Atau Spearman Rank Correlation rs = 1. sebagai berikut : 0. sedangkan nilai rs hitung adalah = 0.

maka skor (+1) 3. dari rank 2 ke rank 1. banyaknya score untuk pasangan yang terurut dengan benar dihitung sbb : 1. Maka nilai korelasi Kendall τ = ⁄ . Bila penilaian judge X digunakan sebagai reference. Untuk urutan pasangan selanjutnya (D terhadap A)dari rank 2 ke rank 3. 4. Maksimum skor yang bisa dicapai adalah kombinasi 2 dari 4 atau ( ) 6 8. atau menurun dari besar ke kecil atau tidak memenuhi standard yang seharusnya. maka untuk judge Y. Dari tabel dapat dilihat bahwa ternyata penilaian kedua judge tersebut tidak 100% sama atau korelasi kedua penilaian tersebut tidak sempurna.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 seharusnya penilaian dari judge Y akan berurutan sama seperti judge X. maka urutan mahasiswa adalah sbb. Dimulai dari mahasiswa D paling kiri (ranking 1 pada penilaian judge X) terhadap C. Proses tersebut dilakukan berikutnya untuk komparasi antara C terhadap A dan B yang akan menghasilkan skor = . penilaian judge Y urutannya dari rank 2 ke rank 4 (kecil ke besar) atau secara normative benar.2 dan komparasi A terhadap B akan menghasilkan skor = -1 6. penilaian judge X sudah berurutan dan dianggap sebagai reference. (kecil ke besar) atau sesuai dengan standard normative. Bila kedua penilai sepakat. Total skor keseluruhan adalah = +1 – 2 – 1 = -2 7. Jadi komparasi D terhadap ke 3 mahasiswa lain akan menghasilkan skor total = (+1) + (+1) + (-1) = + 1 5. Untuk itu mendapat score (+1) 2.33 .0. Berikutnya adalah urutan D terhadap B. : Mahasiswa Penilai X Y D 1 2 C 2 4 A 3 3 B 4 1 Dari tabel yang kedua.

sampling distribution dari τ akan mengikuti distribusi normal dengan : dan √ ( ( ) ) dan pengujian significant dari nilai τhitung dapat dilakukan seperti biasa. 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 . untuk N = 4 maka ada 4 ! = 24 kombinasi urutan ranking dan setiap kombinasi berkaitan dengan nilai τ tertentu dengan probability of occurrence tertentu. Sebagai contoh.̅ ) dan y=( Y .Significance Test Untuk setiap N ! ranking yang mungkin terjadi. selalu berasosiasi dengan nilai τ. untuk nilai N sd 10 dapat digunakan tabel Kendall (tabel Q. Untuk N 0 10. Siegel). Tentu saja proses tersebut tidak praktis bila menyangkut N cukup besar. dimana : x =( X . besarnya nilai τ bervariasi dari -1 sd +1 dan membentuk distribusi frekuensi. 3.̅ ) Pengujian significance dapat dilakukan dengan distribusi t melalui konversi : t= √( √( ) ) Atau dengan distribusi normal melalui konversi : z= √( ) [ ( ( ) ) ] .

Sign up to vote on this title
UsefulNot useful