analisis bivariat

December 15th, 2011 Comment ( 1 ) Analisis Bivariat adalah analisis secara simultan dari dua variabel. Hal ini biasanya dilakukan untuk melihat apakah satu variabel, seperti jenis kelamin, adalah terkait dengan variabel lain, mungkin sikap terhadap pria maupun wanita kesetaraan. Analisis bivariate terdiri atas metodemetode statistik inferensial yangdigunakan untuk menganalisis data dua variabel penelitian. Penelitian terhadap dua variabel biasanya mempunyai tujuan untuk mendiskripsikan distribusi data, meguji perbedaan dan mengukur hubungan antara dua variabel yang diteliti. Analisis Bivariat yaitu hipotesis yang diuji biasanya kelompok yang berbeda dalam ciri khas tertentu dengan koefisien kontigensi yang diberi simbol C. Analisis bivariat menggunakan tabel silang untuk menyoroti dan menganalisis perbedaan atau hubungan antara dua variabel. Menguji ada tidaknya perbedaan/hubungan antara variabel kondisi pemukian, umur, agama, status migrasi, pendidikan, penghasilan, umur pekkawinan pertama, status kerja dan kematian bayi/balita dengan persepsi nilai anak digunakan analisis chi square, denagn tingkat kemaknaan a=0,05. Hasil yang diperoleh pada analisis chi square, dengan menggunakan program SPSS yaitu nilai p, kemudian dibandingkan dengan a=0,05. Apabila nilai p< dari a=0,05 maka ada hubungan atau perbedaan antara dua variabel tersebut. (Agung, 1993) Kegunaan Dari Analisis Bivariat Untuk mengukur kekuatan hubungan antar dua variabel atau lebih. Contoh mengukur hubungan antar dua variabel : 1. Motivasi kerja dengan produktivitas 2. Kualitas layanan dengan kepuasan pelanggan Langkah-Langkah Melaksanakan Analisis Bivariat 1. Masukkan data diatas kedalam program SPSS dengan nama variabel bulan, b_selling, b_promo, b_iklan, dan unitpjl. 2. Klik menu utama analize , correlate, bivariate, tampak dilayar 3. Kemudian klik semua variabel yang akan dikorelasikan dan masukkan kekolom variables dengan mengklik tanda panah 4. Untuk kolom corelatiaon koeffisients, pilihlah pearson karena anda ingin melakukan uji atas data rasio 5. Untuk kolom test of significance, pilih option two-tailed untuk uji dua arah atau dua sisi 6. Untuk pilihan flag signifikant korelations boleh dicentang (dipilih) hingga pada output akan muncul tanda * untuk signifikansi 5% dan tanda ** untuk signifikansi 1% 7. Kemudian klik tombol option hingga dilayar tampil : Pengisian :

Tabel Kontingensi. Analisis Diskriminan. Analisis Path. Analisis disebut sebagai analisis regresi berganda jika melibatkan lebih dari satu variabel independen. Hubungan antara variabel dependen (Y) dengan variabel independen (X) dituliskan dalam model linier umum . Pembahasan diutamakan pada cara membaca dan menafsirkan arti dari parameter yang diperoleh dari hasil pengolahan data yang terdapat pada output SPSS. 2. Teknik analisis statistik yang dibahas meliputi Analisis Regresi. y y y Untuk menentukan korelasi ( kuatnya hubungan ) antara variabel-variabel penelitian Jika ada hubungan. Akibatnya. dengan tingkat kemaknaan a=0. Exclude cases pairwise : Pasangan yang salah satu tidak ada datanya tidak dimasukkan dalam perhitungan. y y y Untuk keseragaman pilih exclude cases pairwise Tekan qontinyue jika sudah selesai Kemudian tekan ok dan akan muncul output Jenis-Jenis Uji Analisis Bivariat 1.05 maka ada hubungan atau pernedaan antara dua variabel tersebut (Agung 1993). Analisis hubungan antara dua variabel disebut sebagai analisis regresi sederhana jika hanya melibatkan satu variabel independen. Multiple Classification Analysis (MCA). jumlah data tiap pasangan korelasi akan bervariasi. seberapa kuat hubungan antar variabel tersebut Dapat digunakan untuk jenis data rasio ( scale ) atau interval Dalam analisis bivariate secara umum terdiri dari analisa korelasi dan analisa regresi.05 apabila nilai p < dari a=0. kemudian dibandingkan dengan a=0. baik hubungan antara dua variabel (bivariate) maupun banyak variabel (multivariate). Analisis Regresi Linier Analisis regresi merupakan alat yang dapat memberikan penjelasan hubungan antara dua jenis variabel yaitu hubungan antara variabel dependen atau variabel kriteria dengan variabel independen atau variabel prediktor.05. Exclude cases listwise : Yang dibuang adalah kasus yang salah satu variabelnya memiliki mising data. Hasil yang diperoleh pada analisis chis quare dengan menggunakan program SPSS yaitu nilai p. Uji chis-quare. dan Analisis Faktor. Model Log-Linear. Model Logit.y y Anda dapat memunculkan output nilai means and standard deviations dengan mengklik pilihan yang sesuai pada kolom dtatistik Pada pilihan missing values pada dua pilihan : 1. Uji korelasi Bivariat ( Product-moment person ) 2. Jumlah untuk semua variabel korelasi adalah sama. 1. Teknik analisis statistik yang dibahas dalam bab ini bersumber pada SPSS yang difokuskan hanya pada teknik yang dapat menjelaskan hubungan atau kaitan antara beberapa variabel.

99 84 Mean F Sig.2).698 ..««. (ii) e tersebar secara acak dan tidak berpola mengikuti besarnya nilai X. yang pertama perlu diketahui adalah apakah regresi Y pada X bermakna. jika Xi bertambah satu satuan dan variabel yang lain konstan. Residual e mengikuti distribusi normal dengan rata-rata 0 dan varians konstan sebesar s2. adalah intercept.000 38.18 168.1) p=1.18 1 Residual Total 3185. Tabel ANOVA dengan =0. B Beta t Error = 47. ini dapat dilihat pada output COEFFICIENTS sebagai berikut: COEFFICIENTS Unstandardized Standardized Coefficients Coefficients Std. = 0.17 (intercept) Sig. Selanjutnya adalah untuk mengetahui besarnya estimate koefisien regresi () serta standard errornya.0 for Windows untuk subprogram REGRESION.307 (koeffisien .2) maka hipotesis yang diajukan untuk diuji adalah H0: b1 = 0 terhadap H1: b 1 ¹ 0.2.00 menunjukkan bahwa H0 ditolak ¹ regresi Y pada X bermakna.38 Uji hipotesis untuk mengetahui apakah regresi Y pada X ada. sehingga dalam persamaan (3. Hal ini dapat dilihat pada output ANOVA sebagai berikut: ANOVA Sum of Df Squares Model 1 Regresion 6475. (iii) tidak terdapat hubungan (korelasi) yang tinggi antar variabel X. Untuk menolak H0 harus dapat dibuktikan secara empirik bahwab 1 ¹ 0 atau b1 bermakna (significant) atau dengan kata lain ada hubungan linier regresi antara Y dan X seperti pada persamaan (3. Asumsi dasar dalam analisis regresi adalah (i) setiap Y yang merupakan kombinasi linier atas X dan mengikuti distribusi normal.81 83 9660.di mana . Squares 6475. sehingga model liniernya adalah Dengan model seperti pada persamaan (3. Dalam output SPSS 9.p adalah koefisien regresi yang berarti besarnya perubahan pada . i = 1. Analisis Regresi Sederhana Analisis regresi sederhana hanya melibatkan satu variabel independen X.

tidak berarti bahwa setiap variabel mempunyai pengaruh yang signifikan pada variabel Y. maka pada dua tabel di atas t2= F.1).1) signifikan.819 yang merupakan koef.307 .0 Application Guide.337 .170 1. . maka kita perlu membuat model yang sesuai dengan tujuan studi. regresi baku sebenarnya adalah sama dengan r = koefisien korelasi antara Y dan X.819 27.000 regresi) Y akan berubah sebesar 0.024 . Model tersebut adalah regresi linier ganda (Multivariate Linear Regression) yang secara umum modelnya seperti pada persamaan (3.670 (yaitu nilai Beta dikuadratkan atau (0.Model 1 (Constant)47. Suatu kajian tersendiri perlu dilakukan untuk kemudian dapat memilah variabel X yang berpengaruh secara parsial pada variabel Y. dengan analisis regresi ganda juga dapat diperoleh suatu penjelasan tentang peranan atau kontribusi relatif setiap variabel X terhadap variabel Y. Secara empirik walaupun misalnya model (3. karena beta dihitung berdasarkan vaiabel baku Z yang dihitung dengan cara Koefisien determinasi r2 = 0. Analisis Regresi Berganda Kalau satu variabel dependen Y perlu dijelaskan oleh lebih dari satu variabel independen X. Beberapa statistik dan estimasi dari parameter dapat pula diperoleh seperti rata-rata dan standard deviasi serta korelasi dari Y dan X.31 unit untuk setiap perubahan satu unit dari X. Para pembaca lebih lanjut dianjurkan untuk membaca SPSS7 Base 9. Selain berguna untuk dapat menjelaskan hubungan p variabel X secara bersama terhadap variabel Y.000 12.819)2) berarti bahwa variasi Y yang dapat dijelaskan oleh model sebesar 67 persen. Beta=0. Dapat dilihat bahwa karena regresi linier sederhana.988 . yang berarti bahwa secara bersama p variabel X dapat menjelaskan variabel Y.726 X .