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

Hypothesa dari persoalan diatas adalah Ho :Tidak ada perbedaan opini antara kelompok pendapatan rendah. menengah dan tinggi.8 313 ( ) ( 20.9 135. tinggi (X1 ). memang ada perbedaan opini antar kelompok tingkat pendapatan. dengan teori probability kita dapat menghitung peluang teoritis (expected probability) setiap orang dari sel (1..05. atau Hypothesa Ho ditolak.02 yang masih lebih kecil dari 0.1 336 351 Tinggi 187. menengah.09% Opini Setuju Tidak setuju Total Total 598 402 1...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..1 141.000 Opini Setuju Tidak setuju Total Berdasarkan jumlah dari setiap kelompok (baris dan kolom)..1) adalah : 20.9 209.000 ) Dari tabel Observasi dan Expected .1) adalah probability dari kelompok setuju dan kelompok pendapatan rendah atau P(rendah ) = P ( Rendah) P(Setuju) = 1000 = 200.2 125. Dengan perkataan lain. 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. . Persoalan diatas menyangkut hubungan antara 2 variabel pada tingkat pengukuran nominal kareana unit analysis hanya dapat dikelompokan (”diukur”) dalam kategori tingkat pendapatan rendah. dapat dihitung nilai ..09% atau expected frequency untuk sel (1.9 orang.dipengaruhi oleh tingkat kemakmurannya.. sedangkan ( X2 ) hanya dapat dikelompokan dalam kategori setuju-tidak setuju. ( ) ( ) = = 7.

25 0 0 .1956) yang didefinisikan : C=√ Atau untuk contoh diatas C = √ 0.0 0. indeks korelasi yang digunakan adalah contingency coefficient C (Siegel.1 1.25 0 2.9 1.Pengukuran Ordinal Kedua teknik korelasi ordinal berikut ini masuk dalam kategori statistic non parametric. 2. 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. Untuk variabel dengan tingkat pengukuran ordinal.Tingkat atau intensitas hubungan antara 2 variabel seringkali disebut sebagai indeks korelasi dan untuk 2 variabel nominal walaupun pengujian dapat menunjukan signifikasi hubungan.5 0 -1.8 Rank X1 2 4.5 9 4. atau generalisasi dari kesimpulan sampel sebenarnya terbatas.5 3 1 Rank X2 2 4 9 6 3 1 di = X1-X2 0 0.5 0 0 0 0. indeks korelasi yang dapat digunakan adalah Spearman Rank Correlation rs atau Kendall Rank Correlation τ a. Spearman rs atau ρ (rho.6 1.3 1.09. 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.

745. Walpole). sedangkan nilai rs hitung adalah = 0.2 2. sebagai berikut : 0.( Hypothesa nol adalah tidak ada korelasi atau H0 : ρ = 0 Pengujian significant dari nilai rs yang didapat.967 √ untuk 2. 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 : .Old Gold Phil Morris Oasis Players 24 25 18 31 1. atau Ho ditolak. karena distribusi dari rs akan mengikuti distribusi normal.0 7 8 6 10 ( )( ) ) 8 7 5 10 -1 1 1 0 1 1 1 0 Atau Spearman Rank Correlation rs = 1.967. sehingga nilai rs yang dihitung dapat di konversikan kepada nilai z normal.33 b. nilai kritis untuk n = 10 dan hubungan antara X1 dan X2.9 yang akan berada didaerah rejection Atau untuk contoh diatas z = 0. Catatan : ρ = 0 = 2.01 adalah rs = 0. artinya memang ada z= ⁄ √ √ …………. atau nilai korelasi significant.5 1. bisa mgnggunakan Tabel Spearman ( A. Dari nilai rs diatas. Pengujian juga dapat dilakukan dengan pendekatan normal.22.4 1.

Maka nilai korelasi Kendall τ = ⁄ .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. penilaian judge Y urutannya dari rank 2 ke rank 4 (kecil ke besar) atau secara normative benar. (kecil ke besar) atau sesuai dengan standard normative. Dimulai dari mahasiswa D paling kiri (ranking 1 pada penilaian judge X) terhadap C. Total skor keseluruhan adalah = +1 – 2 – 1 = -2 7. Proses tersebut dilakukan berikutnya untuk komparasi antara C terhadap A dan B yang akan menghasilkan skor = . 4. penilaian judge X sudah berurutan dan dianggap sebagai reference.2 dan komparasi A terhadap B akan menghasilkan skor = -1 6. maka seharusnya penilaian dari judge Y akan berurutan sama seperti judge X. Bila kedua penilai sepakat. dari rank 2 ke rank 1. Untuk urutan pasangan selanjutnya (D terhadap A)dari rank 2 ke rank 3.0. Jadi komparasi D terhadap ke 3 mahasiswa lain akan menghasilkan skor total = (+1) + (+1) + (-1) = + 1 5. Berikutnya adalah urutan D terhadap B. maka untuk judge Y. atau menurun dari besar ke kecil atau tidak memenuhi standard yang seharusnya. : Mahasiswa Penilai X Y D 1 2 C 2 4 A 3 3 B 4 1 Dari tabel yang kedua.33 . banyaknya score untuk pasangan yang terurut dengan benar dihitung sbb : 1. Untuk itu mendapat score (+1) 2. Bila penilaian judge X digunakan sebagai reference. maka skor (+1) 3. Maksimum skor yang bisa dicapai adalah kombinasi 2 dari 4 atau ( ) 6 8. maka urutan mahasiswa adalah sbb. Dari tabel dapat dilihat bahwa ternyata penilaian kedua judge tersebut tidak 100% sama atau korelasi kedua penilaian tersebut tidak sempurna.

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

Sign up to vote on this title
UsefulNot useful