ANALISIS DATA KUANTITATIF UNIVARIAT, BIVARIAT, MULTIVARIAT

1DEFENISI

Kata analysis berasal dari bahasa Greek Yunani terdiri dari kata “ana” dan “lysis”. Ana artinya atas above, lysis artinya memecahkan atau menghancurkan. Secara definitif ialah “Analysis is a process of resolving data into its constituent components to reveal its characteristic elements and structure’ Ian Dey. Agar data bisa dianalis maka data tersebut harus dipecah dahulu menjadi bagian-bagian kecil menurut elemen atau struktur, kemudian menggabungkannya bersama untuk memperoleh pemahaman yang baru.

Analisa data merupakan proses paling vital dalam sebuah penelitian. Hal ini berdasarkan argumentasi bahwa dalam analisa inilah data yang diperoleh peneliti bisa diterjemahkan menjadi hasil yang sesuai dengan Kaidah ilmiah. Analisis data adalah upaya atau cara untuk mengolah data menjadi informasi sehingga karakteristik data tersebut bisa dipahami dan bermanfaat untuk solusi permasalahan, tertutama masalah yang berkaitan dengan penelitian. Atau definisi lain dari analisis data yaitu kegiatan yang dilakukan untuk menubah data hasil dari penelitian menjadi informasi yang nantinya bisa dipergunakan dalam mengambil kesimpulan.

Menurut Biklen dan Bogdan, pengertian analisis data adalah proses pencarian dan penyusunan data yang sistematis melalui transkip wawancara dan catatan lapangan, serta dokumentasi yang secara akumulasi menambah pemahaman peneliti terhadap yang ditemukan. Pengertian Analisis Data menurut Spradley adalah pengujian sistematis terhadap sesuatu untuk menentukan bagian-bagiannya, hubungan diantara bagian-bagian dan hubungan bagian-bagian itu dengan keseluruhan. Menurut Nasution, Pengertian Analisis Data adalah proses penyusunan data agar dapat ditafsirkan. Menyusun data berarti bahwa menggolongkannya di dalam pola atau tema. Tafsiran atau interprestasi artinya memberikan makna terhadap analisis, menjelaskan kategori atau pola, serta mencari hubungan antara berbagai konsep.

LANGKAH DAN PROSEDUR ANALISIS DATA

a.    Tahap pengumpulan data.

Merupakan proses pengumpulan data baik melalui observasi, wawancara maupun angket.

b.    Tahap editing

Proses memastikan bahwa data yang terkumpul (dari responden):

1)  Telah diisi lengkap;

2)  Diisi sesuai dengan petunjuk; dan

3)  Konsisten; sehingga siap untuk diolah

Pada tahap ini yaitu memeriksa kejelasan maupun kelengkapan mengenai pengisian instrumen pengumpulan data.

Kuesioner yang kembali mungkin tidak bisa terpakai karena:

1.   Sebagian kuisioner tidak lengkap terisi

2.   Responden tidak memahami instruksi

3.   Responden salah mengisi

4.   Satu atau lebih halaman kuisioner hilang

5.   Kuesioner diterima terlambat

6.   Kuesioner diisi oleh orang yang salah

c.     Tahap koding

Maksudnya pada tahap ini melakukan proses identifikasi dan proses klasifikasi dari tiap-tiap pernyataan yang terdapat pada instrumen pengumpulan data berdasarkan variabel yang sedang diteliti. Aktivitas pemberian angka pada alternatif jawaban dari setiap pertanyaan yang diajukan.

d.    Tahap entry data

 Melakukan kegiatan mencatat ataupun entri data kedalam tebel-tabel induk dalam penelitian atau dapat disebut aktifitas memasukkan data pada  tabel dasar yang sudah dipersiapkan.

e.    Tahap analisis data

Setelah data diinput ke dalam komputer, maka data siap untuk diolah & dianalisa. Peneliti harus memilih teknik analisa data yang sesuai dengan masalah yang diteliti. 

f.      Tahap Interpretasi data

Interpretasi data merupakan suatu kegiatan yang menggabungkan hasil analisis dengan pernyataan, kriteria, atau standar tertentu untuk menemukan makna dari data yang dikumpulkan untuk menjawab permasalahan dalam penelitian.

1.    ANALISIS DATA KUANTITATIF

Ciri analisis kuantitatif adalah selalu berhubungan dengan angka, baik angka yang diperoleh dari pencacahan maupun perhitungan. Data yang telah diperoleh dari pencacahan selanjutnya diolah dan disajikan dalam bentuk yang lebih mudah dimengerti oleh pengguna data tersebut. Sajian data kuantitatif sebagai hasil analisis kuantitatif dapat berupa angka-angka maupun gambar-gambar grafik.

Ada tiga hal pokok yang harus dilakukan oleh peneliti saat melakukan pengolahan data kuantitatif , yakni pertama, memilih teknik statistik mana yang tepat dan sesuai dengan tujuan penelitian. Kedua, mempersiapkan dan memilih software bila pengolahan data dilakukan secara elektronis. Ketiga, melaksanakan langkah-langkah pengolahan.

Analisis kuantitatif dalam dalam suatu penelitian dapat didekati dari dua sudut pendekatan, yaitu analis kuantitatif secara deskriptif  dan analisis kuantitatif secara inferensial.

4.1   Teknik Analisis Data Kuantitatif

4.1.1  Analisis Deskriptif

Statistik deskriptif dapat membantu menggambarkan hasil pengumpulan data dengan cara :

(1)  Central Tendency

Mean merupakan nilai rata-rata yang diperoleh dari pembagian jumlah semua nilai dari anggota populasi dengan jumlah anggota populasi. Lazimnya digunakan untuk data interval atau rasio.

Median adalah titik tengah dari nilai-nilai setelah diurut dari yang terkecil sampai yang terbesar. Lazimnya digunakan untuk data ordinal.

Modus adalah nilai pengamatan yang paling sering muncul dari rentetan data yang terkumpul. Modus banyak digunakan untuk data nominal.

(2)  Variabilitas

Merupakan derajat penyebaran nilai-nilai variable dari suatu tendensi sentral dalam suatu distribusi.

Range adalah jarak antara nilai yang tertinggi dengan nilai yang terendah.

Rumus R= Xt - Xr

Dimana:

R = range

Xt = Nilai tertinggi

Xr = Nilai terendah

Standar deviasi atau  yang lebih dikenal dengan simpangan baku adalah akar kuadrat dari varian (nilai-rata-rata nilai). Bilangan tersebut dipergunakan untuk mengetahui nilai ekstrem suatu data.

4.1.2  Analisis Inrefensial

Analisis inferensial pada dasarnya menggunakan statistik inferensial yakni teknik analisis data yang digunakan untuk menentukan sejauh mana kesesuaian antara hasil yang diperoleh dari sampel dengan hasil dari populasi, sehingga dapat digeneralisasikan. Statistik inferensial menstandarkan diri pada peluang (probability) dan sampel yang dipilih secara acak (random).

Statistik inferensial dapat dibedakan menjadi statistic parametric dan non parametric.Statistik parametric digunakan untuk menganalisis data skala interval dan rasio dari populasi yang berdistribusi normal. Sedangkan statistic non parametric digunakan untuk menganalisis data skala nominal dan ordinal dari populasi yang bebas distribusi. Statistik inferensial membutuhkan hipotesis.

4.2     Menetapkan Program Software

Software statistik adalah sebuah program pengolah data statistik yang berfungsi untuk mempermudah proses pengolahan data untuk keperluan penelitian kuantitatif. Pemahaman metodologi penelitian yang baik tanpa dukungan dengan penguasaan  software statistik sebagai alat bantu olah data tentu saja menjadi sangat kurang efektif.  Program software yang banyak digunakan saat ini antara lain program Statistic Package for the Social Sciences (SPSS), Linear Structural Relationship populer dikenal dengan LISREL, Statistical Analysis System (SAS), atau SEM, AMOS, Minitab.

4.3     Pengolahan dan Analisis Data

Ditinjau menurut variabelnya analisis data dapat dibagi menjadi tiga yakni, univariat, bivariat dan multivariat.

4.3.1     Analisis Satu Variabel (Univariat Analysis)

Analisis univariat adalah analisa yang dilakukan menganalisis tiap variabel dari hasil penelitian. Analisis univariat bertujuan untuk menjelaskan atau mendeskripsikan karakteristik setiap variable penelitian. Bentuk analisis univariat tergantung dari jenis datanya. Untuk data numerik digunakan nilai mean atau rata-rata, median dan standar deviasi. Pada umumnya dalam analisis ini hanya menghasilkan distribusi frekuensi dan persentase dari tiap variabel. Misalnya distribusi frekuensi responden berdasarkan umur, jenis kelamin, tingkat pendidikan dan sebagainya. Demikian juga penyebaran penyakit-penyakit yang ada di daerahtertentu, distribusi pemakaian jenis kontrasepsi, distribusi kasus malnutrisi pada anak balita, dan sebagainya.

Contoh:

Distribusi Responden Berdasarkan Kepatuhan Berobat TB

Kepatuhan	N	%
Patuh Tidak patuh	148 131	60,8 39,2
Total	279	100,0

Responden yang patuh berobat TB di wilayah kerja Puskesmas Pasar Minggu lebih tinggi (60,8%) dibanding dengan yang tidak patuh berobat (39,2%).

4.3.2     Analisis Dua Variabel (Bivariat Analysis)

Apabila telah dilakukan analisis univariat, hasilnya akan diketahui karakteristik atau distribusi setiap variabel dan dapat dilanjutkan dengan anlisis bivariat. Analisis bivariat dilakukan terhadap dua variable yang diduga berhubungan atau berkorelasi. Dalam analisis bivariat ini dilakukan beberapa tahap, antara lain:

(1)    Analisis proporsi atau presentase, dengan membandingkan distribusi silang antara dua variabel yang bersangkutan.

(2)    Analisis dari hasil uji statistik (chi square, z test, t test dan sebagainya). Melihat dari hasil uji statistik ini akan dapat disimpulkan adanya hubungan dua variabel tersebut bermakna atau tidak bermakna. Dari hasil uji statistik ini dapat terjadi misalnya antara dua variabel tersebut secara persentase berhubungan tetapi secara statistik hubungan tersebut tidak bermakna.

(3)    Analisis keeratan hubungan antara dua variabel, dengan melihat Odd Ratio (OR). Besar kecilnya nilai OR menunjukkan besarnya keeratan hubungan antara dua variabel yang diuji.

Contoh :

Distribusi Responden Berdasarkan Umur dan Kepatuhan Berobat TB

Umur	Kepatuhan		Total	P value	OR 95%
	Tak patuh	Patuh
Dewasa Md Dewasa	7(20,0%) 24(54,0%)	28 (80%) 20(45,5%)	35 (100%) 44(100%)	0,004	3,08
Total	31 (39,2%)	48(60,8%)	79 (100%)

Dari tabel di atas menunjukkan bahwa responden berumur dewasa muda lebih patuh berobat TB (80%) dibandingkan dengan responden dewasa (45,8%). Sehingga secara presentase dapat disimpulkan bahwa ada hubungan antara umur dengan kepatuhan berobat.

Hasil uji statistic menunjukkan bahwa nilai p< 0,005 hal ini terbukti bahwa umur berhubungan secara bermakna dengan kepatuhan berobat.

Dari analisis keeratan hubungan menunjukkan nilai ODD Ratio (OR) 3,08 yang berarti bahwa responden yang berumur dewasa muda mempunyai peluang 3,08 kali patuh berobat dibandingkan dengan responden yang berumur lebih tua.

Uji statistik yang dipakai pada analisis bivariat:

Variabel I	Variabel II	Uji Statistik
kategorik	Kategorik	Chi square
kategorik	Numeric	Uji T Anova
numerik	Numeric	Korelasi Regresi

1)    Chi Square ( chi kuadrat)

Adalah suatu teknik statistik yang memungkinkan penyelidikan menilai probabilitas memperoleh perbedaan frekuensi yang nyata (yang diobservasi) dengan frekuensi yang diharapkan dalam kategori –kategori tertentu sebagai akibat dari kesalahan sampling.

Manfaat chi square:

§  Chi kuadrat adalah alat untuk mengadakan estimasi. Digunakan untuk menaksir apakah ada perbedaan yang signifikan antara frekuensi yang diobservasi dengan frekuensi yang di harapkan dalam populasi. Frekuensi yang diharapkan dalam populasi ini disebut juga frekuensi hipotetik karena digunakan sebagai alat hipotesis yang akan diuji dengan frekuensi yang diperoleh dari sampel. Oleh karena itu chi kuadrat sebagai alat estimasi berkedudukan juga sebagai alat pengetes hipotesis.

§  Chi kuadrat adalah alat untuk mengadakan pengetesan hipotesis.

Tiap-tiap pengetesan hipotesis harus membandingkan sedikitnya dua sampel. Dalam hal ini apakah frekuensi yang diperolehdalam sampel yang satu berbeda secara signifikan ataukah tidak dengan frekuensi yang diperoleh dalam sampel lainnya.

§  Chi kuadrat sebagai alat mengetes signifikan korelasi antara dua factor atau lebih.

2)    T test

Uji T berpasangan (paired T-test)

adalah salah satu metode pengujian hipotesis dimana data yang digunakan tidak bebas (berpasangan). Ciri-ciri yang paling sering ditemui pada kasus yang berpasangan adalah satu individu (objek penelitian) dikenai 2 buah perlakuan yang berbeda. Walaupun menggunakan individu yang sama, peneliti tetap memperoleh 2 macam data sampel, yaitu datadari perlakuan pertama dan data dari perlakuan kedua. Perlakuan pertama mungkin saja berupa kontrol, yaitu tidak memberikan perlakuan sama sekali terhadap objek penelitian. Misal pada penelitian mengenai efektivitas suatu obat tertentu, perlakuan pertama, peneliti menerapkan kontrol, sedangkan pada perlakuan kedua, barulah objek penelitian dikenai suatu tindakan tertentu, misal pemberian obat.

Independen T Test

adalah uji komparatif atau uji beda untuk mengetahui adakah perbedaan mean atau rerata yang bermakna antara 2 kelompok bebas yang berskala data interval/rasio. Dua kelompok bebas yang dimaksud di sini adalah dua kelompok yang tidak berpasangan, artinya sumber data berasal dari subjek yang berbeda. Misal Kelompok Kelas A dan Kelompok kelas B, di mana responden dalam kelas A dan kelas B adalah 2 kelompok yang subjeknya berbeda. Bandingkan dengan nilai pretest dan posttest pada kelas A, di mana nilai pretest dan posttest berasal dari subjek yang sama atau disebut dengan data berpasangan. Apabila menemui kasus yang data berpasangan, maka uji beda yang tepat adalah uji paired t test.

Asumsi yang harus dipenuhi pada independen t test antara lain:

1. Skala data interval/rasio.

2. Kelompok data saling bebas atau tidak berpasangan.

3. Data per kelompok berdistribusi normal.

4. Data per kelompok tidak terdapat outlier.

5. Varians antar kelompok sama atau homogen.

3)    One Way Anova (Analysis of variance)

Anova (analysis of varian) digunakan untuk menguji perbedaan mean (rata-rata) data lebih dari dua kelompok. Misalnya kita ingin mengetahui apakah ada perbedaan rata-rata lama hari dirawat antara pasien kelas VIP, I, II, dan kelas III

Beberapa asumsi yang harus dipenuhi pada uji Anova adalah:

1.              Data berdistribusi normal

2.              Varians atau ragamnya homogen

3.              Masing-masing contoh saling bebas, yang harus dapat diatur dengan perancangan percobaan yang tepat

4.              Komponen-komponen dalam modelnya bersifat aditif (saling menjumlah)

4)    Korelasi

Korelasi Product Moment Pearson

Teknik Korelasi ini digunakan untuk mencari hubungan dua variabel dengan data kedua variabel berskala interval atau rasio. Koefisien korelasi mempunyai nilai -1 ≤ r ≤ 1. Koefisien r melambangkan estimasi untuk sampel, sedangkan koefisien ρ mewakili korelasi populasi. Koefisien korelasi menunjukkan besar dan arah dari hubungan. Arah menunjukkan pada kita apakah nilai-nilai yang besar pada sebuah variabel berkorelasi dengan nilai-nilai besar pada variabel yang lain (dan nilai-nilai yang kecil dengan nilai-nilai yang kecil). Apabila nilai-nilai berkorelasi dengan cara demikian maka kedua variabel mempunyai hubungan positif. Apabila satu variabel naik maka yang lain juga akan ikut naik.

5)    Regresi sederhana

Analisis regresi linear sederhana adalah hubungan secara linear antara satu variabel independen (X) dengan variabel dependen (Y). Analisis ini untuk mengetahui arah hubungan antara variabel independen dengan variabel dependen apakah posiutif atau negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel independen mengalami kenaikan atau penurunan. Data yang digunakan biasanya berskala interval atau rasio. Rumus regresi linear sederhana sebagai berikut:

Y’ = a + b X

Di mana:

Y’ = Variabel dependen (nilai yang diprediksikan)

X  = Variabel independen

a  = konstanta (nilai Y’ apabila X=0)

b  = koefisien regresi (nilai peningkatan ataupun penurunan)

1

4.1.1     Analisis Banyak Variabel (Multivariat Analysis)

Analisis bivariate hanya akan menghasilkan hubungan antara dua variabel yang bersangkutan ( variabel independen dengan variabel dependen). Untuk mengetahui hubungan lebih dari satu variabel independen terhadap satu variabel dependen, harus dilanjutkan lagi dengan melakukan analisis multivariat. Analisis statistik multivariat merupakan metode statistik yang memungkinkan kita melakukan penelitian terhadap lebih dari dua variable secara bersamaan. Dengan menggunakan teknik analisis ini maka kita dapat menganalisis pengaruh beberapa variable terhadap variabel – (variable) lainnya dalam waktu yang bersamaan.

Dalam analisis multivariate dilakukan berbagai langkah pembuatan model. Model terakhir terjadi apabila semua variabel independendengan dependen sudah tidak mempunyai nilai p.0,05.

Contoh :

Hubungan Antara Pengetahuan, Umur, Pendidikan Dengan Kepatuhan Berobat TB

Variable	P	OR	95% CI
			Lower	Upper
Pengetahuan Umur Pendidikan	0,000 0,008 0,000	19,305 11,747 13,804	4,34 2,22 3,28	84,92 212,61 58,05

Dari table di atas dapat disimpulkan bahwa :

-       Responden yang mempunyai pengetahuan tinggi berpeluang 19,03 kali patuh berobat dibandingkan dengan responden yang berpengetahuan rendah

-       Responden yang berumur muda berpeluang 11,747 kali patuh patuh berobat dibandingkan dengan responden yang berumur lebih tua

-       Responden yang berpendidikan tinggi berpeluang 13,804 kali patuh berobat dibandingkan dengan responden yang berpendidikan rendah.

Dari ketiga variabel independen tersebut maka variabel pengetahuan adalah variabel yang paling dominan berhubungan dengan kepatuhan berobat dengan OR 19,305.

Hal ini berarti bahwa responden yang mempunyai pengetahuan TB yang tinggi berpeluang 19 kali untuk patuh berobat dibandingkan dengan responden yang berpengetahuan TB yang rendah, setelah dikontrol variabel pendidikan dan umur.

Klasifikasi Teknik-Teknik Analisis Multivariat

Teknik analisis multivariat secara dasar diklasifikasi menjadi dua, yaitu analisis dependensi dan analisis interdependensi.

4.3.3.1 Analisis dependensi

berfungsi untuk menerangkan atau memprediski variable (variable) tergantung dengan menggunakan dua atau lebih variable bebas. Yang termasuk dalam klasifikasi ini ialah analisis regresi linear berganda, analisis diskriminan, analisis varian multivariate (MANOVA), dan analisis korelasi kanonikal.

Metode dependensi diklasifikasikan didasarkan pada jumlah variable tergantung, misalnya satu atau lebih dan skala pengukuran bersifat metrik atau non metrik.  Jika variable tergantung hanya satu dan pengukurannya bersifat metrik, maka teknik analisisnya digunakan analisis regresi berganda. Jika variable tergantung hanya satu dan pengukurannya bersifat non-metrik, maka teknik analisisnya digunakan analisis diskriminan. Jika variable tergantung lebih dari satu dan pengukurannya bersifat metrik, maka teknik analisisnya digunakan analisis multivariate varian. Jika variable tergantung lebih dari satu dan pengukurannya bersifat non-metrik, maka teknik analisisnya digunakan analisis conjoint. Jika variable tergantung dan bebas lebih dari satu dan pengukurannya bersifat metrik atau non metrik, maka teknik analisisnya digunakan analisis korelasi kanonikal.

(1)  Analisis Regresi Linear Berganda

Yang dimaksud dengan analisis regresi linear berganda ialah  suatu analisis asosiasi yang digunakan secara bersamaan untuk meneliti pengaruh dua atau lebih variable bebas terhadap satu variable tergantung dengan skala interval. Pada dasarnya teknik analisis ini merupakan kepanjangan dari teknik analisis regresi linear sederhana. Untuk menggunakan teknik analisis ini syarat-syarat yang harus dipenuhi diantaranya ialah:

·                     Data harus berskala interval.

·                     Variabel bebas terdiri lebih dari dua variable.

·                     Variabel tergantung terdiri dari satu variable.

·                     Hubungan antar variable bersifat linier. Artinya semua variable bebas mempengaruhi variable tergantung. Pengertian ini secara teknis disebut bersifat rekursif, maksudnya pengaruh bersifat searah dari variable-variabel X ke Y Tidak boleh terjadi sebaliknya atau juga saling berpengaruh secara timbal balik (reciprocal).

·                     Tidak boleh terjadi multikolinieritas. Artinya sesama variable bebas tidak boleh berkorelasi terlalu tinggi, misalnya 0,9 atau terlalu rendah, misalnya 0,01.

·                     Tidak boleh terjadi otokorelasi. Akan terjadi otokorelasi jika angka Durbin dan Watson sebesar < 1 atau > 3 dengan skala 1 – 4.

·                     Jika ingin menguji keselarasan model (goodness of fit), maka dipergunakan simpangan baku kesalahan. Untuk kriterianya digunakan dengan melihat angka Standard Error of Estimate (SEE) dibandingkan dengan nilai simpangan baku (Standard Deviation). Jika angka Standard Error of Estimate (SEE) < simpangan baku (Standard Deviation), maka model dianggap selaras.

·                     Kelayakan model regresi diukur dengan menggunakan nilai signifikansi. Model regresi layak dan dapat dipergunakan jika angka signifikansi lebih kecil dari 0,05 (dengan presisi 5%) atau   0,01 (dengan presisi 1%)

(2)   Analisis Diskriminan

Yang dimaksud dengan analisis diskriminan ialah suatu teknik statistik yang yang digunakan untuk memprediksi probabilitas obyek-obyek yang menjadi milik dua atau lebih kategori yang benar-benar berbeda yang terdapat dalam satu variable tergantung didasarkan pada beberapa variable bebas.

Analisis diskriminan digunakan untuk membuat satu model prediksi keanggotaan kelompok didasarkan pada karakteristik-karakteristik yang diobservasi untuk masing-masing kasus. Prosedur ini akan menghasilkan  fungsi diskriminan yang didasarkan pada kombinasi-kombinasi linier yang berasal dari variabel-variabel prediktor atau bebas yang dapat menghasilkan perbedaan paling baik antara kelompok-kelompok yang dianalisis. Semua fungsi dibuat dari sampel semua kasus bagi keanggotaan kelompok yang sudah diketahui. Fungsi-fungsi tersebut dapat diaplikasikan untuk kasus-kasus baru yang mempunyai pengukuran untuk semua variabel bebas tetapi mempunyai keanggotaan kelompok yang belum diketahui.

Tujuan utama menggunakan analisis diskriminan ialah melihat kombinasi linier. Artinya untuk mempelajari arah perbedaan-perbedaan yang terdapat dalam suatu kelompok sehingga diketemukan adanya kombinasi linier dalam semua variable bebas. Kombinasi linier ini terlihat dalam fungsi diskriminan, yaitu perbedaan-perbedaan dalam rata-rata kelompok. Jika menggunakan teknik ini, pada praktiknya peneliti mempunyai tugas pokok untuk menurunkan  koefesien-koefesien fungsi diskriminan (garis lurus).

Untuk menggunakan teknik analisis ini syarat-syarat yang harus dipenuhi diantaranya ialah:

·         Variabel tergantung hanya satu dan bersifat non-metrik, artinya data harus kategorikal dan berskala nominal.

·         Variabel bebas terdiri lebih dari dua variable dan berskala interval.

·         Semua kasus harus independent

·         Semua variabel prediktor sebaiknya mempunyai distribusi normal multivariat, dan matrices variance-covariance  dalam kelompok harus sama untuk semua kelompok

·         Keanggotaan kelompok diasumsikan ekseklusif, maksudnya tidak satupun kasus yang termasuk dalam kelompok lebih dari satu. dan exhaustive secara kolektif, maksudnya semua kasus merupakan anggota satu kelompok

(3)  Analisis Korelasi Kanonikal

Analisis korelasi kanonikal ialah suatu teknik statistik yang digunakan untuk menentukan tingkatan asosiasi linear antara dua perangkat variable, dimana masing-masing perangkat terdiri dari beberapa variable. Sebenarnya analisis korelasi kanonikal merupakan perpanjangan dari analisis regresi linear berganda yang berfokus pada hubungan antara dua perangkat variable yang berskala interval. Fungsi utama teknik ini ialah untuk melihat hubungan linieritas antara variable-variabel kriteria (variable-variabel tergantung) dengan beberapa variable bebas yang berfungsi sebagai predictor. Sebagai contoh seorang peneliti ingin mengkaji korelasi antara seperangkat variable dalam perilaku berbelanja sebagai kriteria dan  beberapa variable  mengenai personalitas sebagai predictor.

Tujuan analisis ini ialah peneliti ingin mengetahui bagaimana beberapa karakteristik personalitas tersebut mempengaruhi perilaku berbelanja, misalnya pembuatan daftar belanja, jumlah toko yang dikunjungi, dan frekuensi belanja dalam satu minggu. 

Untuk menggunakan teknik analisis ini syarat-syarat yang harus dipenuhi diantaranya ialah:

·         Variabel bebas terdiri dari lebih dari dua variable yang berskala interval.

·         Variabel tergantung terdiri dari lebih dari dua variable yang berskala interval.

·         Hubungan antar variabel bebas dan tergantung bersifat linier. Artinya semua variabel bebas mempengaruhi secara searah terhadap semua variable tergantung, misalnya korelasi antara  variable-variabel bebas personalitas yang digunakan sebagai predictor dengan variable-variabel tergantung yang digunakan sebagai kriteria bersifat searah. Jika nilai variabel variable personalitas besar, maka nilai variable-variabel perilaku berbelanja harus besar juga. Jika terjadi variabel variable personalitas besar bernilai besar sedang nilai variable-variabel perilaku berbelanja menjadi mengecil, maka hal ini berlawanan dengan asumsi linieritas.  Tidak boleh terjadi multikolinieritas pada masing-masing kelompok variabel bebas dan variabel tergantung yang akan dikorelasikan.

(1)   Analsis Multivariat Varian (MANOVA)

Manova mempunyai pengertian sebagai suatu teknik statistik yang digunakan untuk menghitung pengujian signifikansi perbedaan rata-rata secara bersamaan antara kelompok untuk dua atau lebih variable tergantung. Teknik ini bermanfaat untuk menganalisis variable-variabel tergantung lebih dari dua  yang berskala interval atau rasio.

Dalam SPSS prosedur  MANOVA disebut juga GLM Multivariat digunakan untuk menghitung analisis regresi dan varians untuk variabel tergantung lebih dari satu dengan menggunakan satu atau lebih variabel faktor atau covariates. Variabel - variabel faktor digunakan untuk membagi populasi kedalam kelompok-kelompok. Dengan menggunakan prosedur general linear model ini, kita dapat melakukan uji H0 mengenai pengaruh variabel-variabel faktor terhadap rata-rata berbagai kelompok distribusi gabungan semua variabel  tergantung. Kita dapat meneliti interakasi antara faktor-faktor dan efek dari faktor-faktor individu. Lebih lanjut, efek-efek covariates dan interaksi antar covariate dengan semua faktor  dapat dimasukkan. Dalam analisis regresi, variabel bebas atau predictor dispesifikasi sebagai covariates

Sebagai contoh: Suatu perusahaan plastik mengukur tiga ciri khusus filem plastik: daya tahan tidak sobek, kehalusan, dan kapasitas. Dua tingkat ekstrusi dan dua zat aditif yang berbeda diujicobakan. Kemudian ketiga karakteristik tersebut diukur dengan menggunakan  kombinasi tingkatan ekstrusi dan jumlah aditif masing-masing. Penelitian menemukan bahwa tingkat ekstrusi dan jumlah zat aditif masing-masing memberikan hasil yang signifikan, tetapi interaksi kedua faktor tidak signifikan.

Untuk menggunakan MANOVA beberapa persyaratan yang harus dipenuhi ialah:

·      Variabel tergantung harus dua atau lebih dengan skala interval

·      Variabel bebas satu dengan menggunakan skala nominal.

·      Untuk semua variabel tergantung, data diambil dengan cara random sample dari vektor-vektor  populasi normal  multivariate dalam suatu populasi, dan untuk matrik-matrik variance-covariance untuk semua sel sama

·      Untuk menggunakan prosedur GLM gunakan prosedur Explore untuk memeriksa data sebelum  melakukan analisis  variance. Untuk satu variabel tergantung gunakanlah, prosedur GLM Univariate. Jika kita mengukur beberapa variabel tergantung yang sama pada beberapa kesempatan untuk masing-masing subyek, maka gunakanlah GLM Repeated Measures.

4.3.3.2 Analisis Interdependensi

Pada bagian analisis interdependensi ini, terdapat tiga teknik analisis yang meliputi analisis faktor, analisis kluster, dan multidimensional scaling.

(1)       Analisis Faktor (Factor Analysis)

Analisis faktor merupakan salah satu teknik saling ketergantungan yakni teknik perhitungan tertentu yang bertujuan untuk mengurangi jumlah variabel sampai pada jumlah yang dapat diolah dan memiliki karakteristik pengukuran yang tumpang tindih.

(2)       Analisis Kluster (cluster analysis)

Adalah serangkaian teknik untuk mengelompokkan obyek atau orang yang sejenis. Pla-pola dalam suatu kluster akan memiliki kesamaan ciri/sifat daripada pola-pola dalam anggota klusteryang  lainnya. Analisis kluster mengkalsifikasikan objek sehingga setiap objek yang paling dekatkesamaannya dengan objek lain berada dalam kluster yang sama.

(3)       Skala Multidimensional

Skala multidimensional menghasilkan deskripsi khusus persepsi narasumber tentang sebuah produk, jasa atau objek pengamatan lain dalam peta persepsi.