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

dapat dihitung nilai .05.09% Opini Setuju Tidak setuju Total Total 598 402 1.9 135..8 313 ( ) ( 20.1) adalah : 20.. dengan teori probability kita dapat menghitung peluang teoritis (expected probability) setiap orang dari sel (1.09% atau expected frequency untuk sel (1. ( ) ( ) = = 7..9 orang. Dengan perkataan lain. memang ada perbedaan opini antar kelompok tingkat pendapatan. menengah dan tinggi.2 125.000 Opini Setuju Tidak setuju Total Berdasarkan jumlah dari setiap kelompok (baris dan kolom).1) adalah probability dari kelompok setuju dan kelompok pendapatan rendah atau P(rendah ) = P ( Rendah) P(Setuju) = 1000 = 200. Dengan cara yang sama akan didapatkan expected frequency untuk tiap sel sebagai berikut : Expected Frequency ( ei ) Income Level Rendah Menengah 200. menengah.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.dipengaruhi oleh tingkat kemakmurannya. sedangkan ( X2 ) hanya dapat dikelompokan dalam kategori setuju-tidak setuju. Hypothesa dari persoalan diatas adalah Ho :Tidak ada perbedaan opini antara kelompok pendapatan rendah.. Persoalan diatas menyangkut hubungan antara 2 variabel pada tingkat pengukuran nominal kareana unit analysis hanya dapat dikelompokan (”diukur”) dalam kategori tingkat pendapatan rendah. .9 209. 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 1.1 336 351 Tinggi 187..000 ) Dari tabel Observasi dan Expected . tinggi (X1 )...1 141. atau Hypothesa Ho ditolak.

2. indeks korelasi yang digunakan adalah contingency coefficient C (Siegel. atau generalisasi dari kesimpulan sampel sebenarnya terbatas.5 0 0 0 0.5 3 1 Rank X2 2 4 9 6 3 1 di = X1-X2 0 0.9 1.8 Rank X1 2 4.6 1.1 1.5 0 -1.0 0.1956) yang didefinisikan : C=√ Atau untuk contoh diatas C = √ 0. Dapat dilihat bahwa dengan N yang semakin besar nilai numeric yang kecil cukup memberikan signifikasi.5 9 4.25 0 2.Tingkat atau intensitas hubungan antara 2 variabel seringkali disebut sebagai indeks korelasi dan untuk 2 variabel nominal walaupun pengujian dapat menunjukan signifikasi hubungan. Spearman rs atau ρ (rho.25 0 0 . yaitu teknik yang tidak menggunakan asumsi tentang distribusi populasi sehingga hubungan antara distribusi populasi dengan distribusi sampel sebenarnya tidak diketahui. Untuk variabel dengan tingkat pengukuran ordinal.3 1.Pengukuran Ordinal Kedua teknik korelasi ordinal berikut ini masuk dalam kategori statistic non parametric. 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 0.09. indeks korelasi yang dapat digunakan adalah Spearman Rank Correlation rs atau Kendall Rank Correlation τ a.

artinya memang ada z= ⁄ √ √ …………. bisa mgnggunakan Tabel Spearman ( A.01 adalah rs = 0. Catatan : ρ = 0 = 2.9 yang akan berada didaerah rejection Atau untuk contoh diatas z = 0. sebagai berikut : 0. atau Ho ditolak.5 1.22. sehingga nilai rs yang dihitung dapat di konversikan kepada nilai z normal. sedangkan nilai rs hitung adalah = 0.967 √ untuk 2. Pengujian juga dapat dilakukan dengan pendekatan normal.Old Gold Phil Morris Oasis Players 24 25 18 31 1.33 b. nilai kritis untuk n = 10 dan hubungan antara X1 dan X2. Walpole).4 1.745. 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 : .0 7 8 6 10 ( )( ) ) 8 7 5 10 -1 1 1 0 1 1 1 0 Atau Spearman Rank Correlation rs = 1. karena distribusi dari rs akan mengikuti distribusi normal.2 2. atau nilai korelasi significant.967.( Hypothesa nol adalah tidak ada korelasi atau H0 : ρ = 0 Pengujian significant dari nilai rs yang didapat. Dari nilai rs diatas.

atau menurun dari besar ke kecil atau tidak memenuhi standard yang seharusnya.0. Berikutnya adalah urutan D terhadap B. dari rank 2 ke rank 1. Total skor keseluruhan adalah = +1 – 2 – 1 = -2 7. penilaian judge Y urutannya dari rank 2 ke rank 4 (kecil ke besar) atau secara normative benar. : Mahasiswa Penilai X Y D 1 2 C 2 4 A 3 3 B 4 1 Dari tabel yang kedua. Proses tersebut dilakukan berikutnya untuk komparasi antara C terhadap A dan B yang akan menghasilkan skor = . Maka nilai korelasi Kendall τ = ⁄ .2 dan komparasi A terhadap B akan menghasilkan skor = -1 6. Untuk urutan pasangan selanjutnya (D terhadap A)dari rank 2 ke rank 3. Bila kedua penilai sepakat. Dari tabel dapat dilihat bahwa ternyata penilaian kedua judge tersebut tidak 100% sama atau korelasi kedua penilaian tersebut tidak sempurna. Maksimum skor yang bisa dicapai adalah kombinasi 2 dari 4 atau ( ) 6 8.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 skor (+1) 3.33 . 4. maka untuk judge Y. Dimulai dari mahasiswa D paling kiri (ranking 1 pada penilaian judge X) terhadap C. (kecil ke besar) atau sesuai dengan standard normative. banyaknya score untuk pasangan yang terurut dengan benar dihitung sbb : 1. Bila penilaian judge X digunakan sebagai reference. penilaian judge X sudah berurutan dan dianggap sebagai reference. maka seharusnya penilaian dari judge Y akan berurutan sama seperti judge X. maka urutan mahasiswa adalah sbb. Jadi komparasi D terhadap ke 3 mahasiswa lain akan menghasilkan skor total = (+1) + (+1) + (-1) = + 1 5. Untuk itu mendapat score (+1) 2.

dimana : x =( X . Tentu saja proses tersebut tidak praktis bila menyangkut N cukup besar. 3. Untuk N 0 10.̅ ) Pengujian significance dapat dilakukan dengan distribusi t melalui konversi : t= √( √( ) ) Atau dengan distribusi normal melalui konversi : z= √( ) [ ( ( ) ) ] . sampling distribution dari τ akan mengikuti distribusi normal dengan : dan √ ( ( ) ) dan pengujian significant dari nilai τhitung dapat dilakukan seperti biasa.̅ ) dan y=( Y . 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. Siegel).Significance Test Untuk setiap N ! ranking yang mungkin terjadi. untuk nilai N sd 10 dapat digunakan tabel Kendall (tabel Q. 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. Sebagai contoh.

Sign up to vote on this title
UsefulNot useful