TEORI ANALISIS MULTIVARIAT

 

Pada bab ini kita akan belajar mengenai teori analisis multivariate yang berisi mengenai

hal-hal sebagai berikut:

Membedakan teknik analisis multivariate kedalam bentuk metode dependensi dan

interdependensi.

Membahas konsep-konsep dan interpretasi analisis regresi berganda.

Mendefinisikan dan mendiskusikan analisis diskriminan berganda.

Mendefinisikan dan mendiskusikan korelasi kanonikal.

Mendefinisikan dan mendiskusikan analisis varian multivariate.

Mendefinisikan dan mendiskusikan analisis faktor.

Mendefinisikan dan mendiskusikan analisis kluster.

Mendefinisikan dan mendiskusikan multidimensional scaling

 

1.1  Karakteristik Analisis Mutlivariat

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. Contoh kita

dapat menganalisis pengaruh variable kualitas produk, harga dan saluran distribusi

terhadap kepuasan pelanggan. Contoh yang lain, misalnya pengaruh kecepatan layanan,

keramahan petugas dan kejelasan memberikan informasi terhadap kepuasan dan loyalitas

pelanggan. Analisis multivariat digunakan karena pada kenyataannnya masalah yang

terjadi tidak dapat diselesaikan dengan hanya menghubung-hubungkan dua variable atau

melihat pengaruh satu variable terhadap variable lainnya. Sebagaimana contoh di atas,

variable kepuasan pelanggan dipengaruhi tidak hanya oleh kualitas produk tetapi juga

oleh harga dan saluran distribusi produk tersebut.

 

1.2  Klasifikasi Teknik-Teknik Analisis Multivariat

Teknik analisis multivariat secara dasar diklasifikasi menjadi dua, yaitu analisis

dependensi dan analisis interdependensi. 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

 

Zikmund (1997: 634) membuat gambar klasifikasi metode- metode dependensi sebagai

berikut:

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Gambar 1.1 Klasifikasi Metode-Metode Dependensi Dalam Analisis Multivariat

 

 

 

 

Gambar di atas dapat diterangkan sebagai berikut:

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.

 

 

Contoh umum untuk metode dependensi, misalnya memprediski laba perusahaan dengan

menggunakan biaya promosi dan harga produk.

 

 

Analisis interdependensi berfungsi untuk memberikan makna terhadap seperangkat variable

atau membuat kelompok-kelompok secara bersama-sama. Yang termasuk dalam klasifikasi

ini ialah analsis faktor, analisis kluster, dan multidimensional scaling. Contoh membuat

klasifikasi terhadap kelompok pengunjung supermarket tertentu.

 

Klasifikasi untuk metode interdependensi oleh Zikmund (1997: 635) digambarkan sebagai

berikut:

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Gambar 1.2 Klasifikasi Metode-Metode Interdependensi Dalam Analisis Multivariat

 

 

Gambar di atas dapat diterangkan sebagai berikut:

Metode interdependensi diklasifikasikan didasarkan pada jenis masukan variable dengan

skala pengukuran bersifat metrik atau non metrik. Jika masukan data berskala metrik, maka

kita dapat menggunakan teknik analisis faktor, analisis kluster dan multidimensional scaling.

Jika masukan data berskala non-metrik, maka kita hanya dapat menggunakan teknik analisis

multidimensional scaling.

 

 

1.3  Analisis Dependensi

Analisis depedensi dibagi menjadi 1) analisis regresi berganda, 2) analisis diskriminan, 3)

analisis multivariate varian, 4) analisis conjoint, dan 5) analisis korelasi kanonikal . Bagian

berikut ini akan membahas masing-masing teknik analisis yang termasuk dalam metode-

metode dependensi secara teori sedang untuk contoh penggunaan dengan SPSS akan dibahas

pada Bab IV .

 

1.3.1        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%)

 

1.3.2        Analisis Diskriminan

Apa itu 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.

 

Lebih lanjut 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). Sebagai contoh: Jenis

pelanggan kereta api secara umum dapat dibagi dua, yaitu mereka yang menggunakan jasa

kereta api eksekutif dan bisnis/ekonomi. Untuk membuat klasifikasi ini prosedur analisis

diskriman dapat digunakan sehingga kita dapat mengetahui faktor-faktor yang berpengaruh

terhadap pembuatan klasifikasi tersebut. Tujuan melakukan klasifikasi tersebut ialah kita

dapat mengetahui apakah pengelompokan tersebut signifikan atau tidak. Artinya kelompok

yang menggunakan jasa kereta api eksekutif memang benar-benar berbeda dengan kelompok

yang menggunakan kelas bisnis / ekonomi.

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

 

 

 

1.3.3        Analisis Korelasi Kanonikal

Pengertian dari 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 penelitian 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.

 

 

1.3.4        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

 

Pilihan-Pilihan untuk GLM Multivariate

Estimated Marginal Means. Pilihlah faktor-faktor dan interaksi yang kita inginkan untuk

estimasi rata-rata marjinal populasi dalam sel-sel. Rata-rata ini jika ada kemudian

dicocokkan dengan covariates. Interaksi akan ada jika kita mempunyai suatu model yang

tetap.

Compare main effects. Menyediakan perbandingan pasangan yang tidak terkoreksi

antara rata-rata marjinal yang diestimasi untuk setiap efek dalam suatu model, yaitu

untuk antara dan dalam faktor. Pilihan ini hanya tersedia jika efek-efek ditentukan

dengan menggunakan opsi Display Means For list.

Confidence interval adjustment. Pilihlah perbedaan signifikan yang terkecil (least

significant difference (LSD)), Bonferroni atau Tidak disesuaikan dengan tingkat

kepercayaan (confidence intervals) dan signifikansi. Opsi ini tersedia jika pilihan

diberikan jika efek-efek utama perbandingan dipilih.

 

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.

 

1.3.5        Ringkasan Teknik Analisis Dependensi Multivariat

Pada bagian ini akan dibahas mengenai ringkasan teknik-teknik analisis depedensi multivariat

sebagaimana dalam table 1.1 di bawah ini.

 

Teknik Tujuan Jumlah

Variabel

Tergantung

Jumlah

Variabel

Bebas

Pengukuran

Untuk

Variabel

Tergantung

Pengukuran

Untuk

Variabel

Bebas

Regresi

Berganda

Untuk menganalisis

secara bersmaan

pengaruh beberapa

variable bebas

terhadap satu variable

tergantung

1 2 atau

lebih

Interval Interval

Analisis

Diskriminan

Untuk memprediksi

probabilitas suatu

obeyek-obyek atau

individu-individu

yang dimiliki oleh

beberapa kategori

yang berbeda

didasarkan pada

bebrapa variable

bebas

1 2 atau

lebih

Nominal Interval

Korelasi

Kanonikal

Untuk menentukan

tingkat hubungan

linear dua perangkat

beberapa variabel

2 atau lebih 1 Interval Interval

MANOVA Untuk menentukan 2 atau lebih 1 Interval Nominal

apakah terdapat

perbedaan signifikan

secara statistik pada

beberapa variable

yang terjadi secara

serentak antara dua

tingkatan dalam satu

variabel

 

 

Table 1.1 Ringkasan Teknik Analisis Dependensi Multivariat

 

 

 

1.4  Analisis Interdependensi

Pada bagian analisis interdependensi ini, terdapat tiga teknik analisis yang meliputi analisis

faktor, analisis kluster, dan multidimensional scaling.

 

1.4.1        Analisis Faktor

Yang dimaksud dengan analisis faktor ialah suatu teknik analisis yang digunakan untuk

memahami yang mendasari dimensi-dimensi atau regularitas suatu gejala. Tujuan utama

teknik ini ialah untuk membuat ringkasan informasi yang dikandung dalam sejumlah besar

variable kedalam suatu kelompok faktor yang lebih kecil. Secara statistik tujuan pokok teknik

ini ialah untuk menentukan kombinasi linear variable-variabel yang akan membantu dalam

penyeledikan saling keterkaitannya variable-variabel tersebut. Atau dengan kata lain

digunakan untuk mengidentifikasi variabel-variabel atau faktor-faktor yang menerangkan

pola hubungan dalam seperangkat variabel. Teknik ini bermanfaat untuk mengurangi jumlah

data dalam rangka untuk mengidentifikasi sebagian kecil faktor yang dapat menerangkan

varians yang sedang diteliti secara lebih jelas dalam suatu kelompok variabel yang jumlahnya

lebih besar. Kegunaan utama analisis faktor ialah untuk melakukan pengurangan data atau

dengan kata lain melakukan peringkasan sejumlah variabel menjadi lebih kecil jumlahnya.

Pengurangan dilakukan dengan melihat interdependensi beberapa variabel yang dapat

dijadikan satu yang disebut dengan faktor sehingga diketemukan variabel-variabel atau

faktor-faktor yang dominan atau penting untuk dianalisa lebih lanjut.

 

Prosedur analisis faktor juga dapat digunakan untuk membuat hipotesis yang

mempertimbangkan mekanisme sebab akibat atau menyaring sejumlah variabel untuk

kemudian dilakukan analisis selanjutnya, misalnya mengidentifikasi kolinearitas sebelum

melakukan analisis regresi linear.

Dalam prosedur analisis faktor, terdapat tingkatan fleksibilitas tinggi, diantaranya ialah:

Tujuh metode untuk membuat ekstrasi faktor.

Lima metode rotasi, diantaranya ialah direct oblimin dan promax untuk rotasi non

orthogonal.

Tiga metode untuk menghitung nilai-nilai faktor dan kemudian faktor-faktor tersebut

dapat disimpan ke dalam file untuk dianalisis lebih lanjut.

Sebagai contoh dalam suatu penelitian, kita ingin mengetahui sikap-sikap apa saja yang

mendasari orang mau memberikan jawaban terhadap pertanyaan-pertanyaan dalam suatu

survei politik? Dari hasil penelitian didapatkan adanya tumpang tindih yang signifikan antara

berbagai sub-kelompok butir-butir pertanyaan, misalnya pertanyaan-pertanyaan mengenai

masalah perpajakan cenderung untuk berkorelasi satu dengan lainnya, masalah militer saling

berkorelasi, masalah ekonomi juga demikian. Jika terjadi demikian, maka kita sebaiknya

menyelesaikan persoalan tersebut dengan menggunakan analisis faktor. Dengan teknik ini

kita dapat melakukan penyelidikan sejumlah faktor yang mendasarinya dan dapat

mengidentifikasi faktor-faktor apa saja yang mewakilinya secara konseptual. Tidak hanya

itu, kita juga dapat menghitung nilai-nilai untuk masing-masing responden dan kemudian

dipergunakan untuk analisis selanjutnya. Sebagai contoh kita dapat membuat model regresi

logistik untuk memprediksi perilaku pemberian suara didasarkan pada nilai-nilai faktor.

Untuk menggunakan teknik ini persyaratan yang sebaiknya dipenuhi ialah:

        Data yang digunakan ialah data kuantitatif berskala interval atau ratio.

        Data harus mempunyai distribusi normal bivariate untuk masing-masing pasangan

variable

        Model ini mengkhususkan bahwa semua variabel ditentukan oleh faktor-faktor biasa

(faktor-faktor yang diestimasikan oleh model) dan faktor-faktor unik (yang tidak

tumpang tindih antara variabel-varaibel yang sedang diobservasi)

        Estimasi yang dihitung didasarkan pada asumsi bahwa semua faktor unik are tidak

saling berkorelasi satu dengan lainnya dan dengan faktor-faktor biasa.

        Persyaratan dasar untuk melakukan penggabungan ialah besarnya korelasi antar

variabel independen setidak-tidaknya 0,5 karena prinsip analisis faktor ialah adanya

korelasi antar variabel.

 

1.4.2        Analisis Kluster

Analisis kluster merupakan suatu teknik analisis statistik yang ditujukan untuk membuat

klasifikasi individu-individu atau obyek-obyek kedalam kelompok-kelompok lebih kecil yang

berbeda satu dengan yang lain. Prosedur analisis kluster ini digunakan untuk mengidentifikasi

kelompok kasus yang secara relatif sama yang didasarkan pada karakteristik-karakteristik

yang sudah dipilih dengan menggunakan algoritma yang dapat mengatur kasus dalam jumlah

besar. Algoritma yang digunakan mengharuskan kita membuat spesifikasi jumlah kluster-

kluster yang akan dibuat. Metode yang digunakan untuk membuat klasifikasi dapat dipilih

satu dari dua metode, yaitu memperbaharui kelompok-kelompok kluster secara iteratif atau

hanya melakukan klasifikasi. Dalam analisa kluster tidak ada variabelbebas dan tergantung karena

model analisa ini merupakan model independent. Kegunaan utama ialah untuk mengelompokkan

obyek-obyek berdasarkan karakteristik tertentu yang sama. Obyek dapat berupa benda ,

misalnya produk ataupun orang yang biasa disebut responden. Kluster sebaiknya mempunyai

kesamaan yang tinggi dalam kelompok kluster tersebut tetapi mempunyai perbedaan yang

besar antar kelompok kluster

Contoh kasus: Kita ingin mengidentifikasi kelompok-kelompok pertunjukkan televisi yang

menarik pemirsa yang mirip di setiap kelompok masing-masing. Dengan menggunakan

analisis k-means cluster, kita dapat membuat kluster-kluster beberapa pertunjukkan televisi

kedalam kelompok yang sama didasarkan pada karakteristik para pemirsa pertunjukkan

tersebut. Kegunaan utama hal ini ialah untuk mengidentifikasi segmen-segmen untuk

pemasaran yang akan bermanfaat untuk strategi pemasaran.

Untuk menggunakan teknik ini persyaratan yang harus dipenuhi, diantaranya ialah:

        Data yang digunakan untuk analisis ini ialah data kuantitatif berskala interval atau

rasio.

        Metode yang ada ialah hubungan antara kelompok (between-groups linkage),

hubungan dalam kelompok (within-groups linkage), kelompok terdekat (nearest

neighbor), kelompok berikutnya (furthest neighbor), kluster centroid (centroid

clustering), kluster median (median clustering), dan metode Ward's.

 

1.4.3        Multidimensional Scaling

Multidimensional scaling merupakan suatu teknik statistik yang mengukur obyek-obyek

dalam ruangan multidimensional didasarkan pada penilaian responden mengenai kemiripan

(similarity) obyek-obyek tersebut. Perbedaan persepsi diantara semua obyek direfleksikan

didalam jarak relative diantara obyek-obyek tersebut didalam suatu ruangan

multidimensional. Contoh kasus misalnya seorang responden diminta menilai kemiripan

karakteristik antara mobil Honda dengan mobil Suzuki. Kemiripan ini dilihat didasarkan

pada komponen-komponen sikap. Terbukanya komponen-komponen sikap tersebut akan

membantu menerangkan mengapa obyek-obyek tersebut, dalam hal ini Mobil Honda dan

Suzuki dinilai mempunyai kemiripan atau perbedaan diantaranya keduanya.

 

Multidimensional scaling dapat juga diaplikasikan kedalam rating subyektif dalam perbedaan

(dissimilarity) antara obyek atau konsep. Lebih lanjut teknik ini dapat mengolah data yang

berbeda dari berbagai sumber yang berasal dari responden. Sebagai contoh bagaimana orang

diminta untuk melihat hubungan antara mobil yang berbeda. Jika seorang peneliti mempunyai

data yang berasal dari responden yang menunjukkan penilaian kesamaan antara pembuatan

yang berbeda dan model mobil, maka teknik multidimensional scaling dapat digunakan

untuk mengidentifikasi dimensi-dimensi yang menggambarkan persepsi konsumen. Peneliti

dapat menemukan, misalnya bahwa harga dan ukuran kendaraan mendefinisikan dua ruangan

dimensional yang mempertimbangkan kesamaan-kesamaan yang dilaporkan oleh para

responden.

 

Untuk menggunakan teknik analisis ini persyaratan yang harus dipenuhi diantaranya ialah:

Data dapat menggunakan berbagai skala pengukuran, misalnya interval, rasio, ordinal

dan nominal. Semua itu tergantung pada teknik yang dipergunakan.

Jika data dalam bentuk keterbedaan, maka data tersebut harus kuantitatif dan diukur

dengan skala pengukuran metrik yang sama, misalnya skala pengukuran interval. Jika

data merupakan data multivariat, maka variable-variabel dapat berupa kuantitatif,

biner atau data hitungan. Jika data mempunyai perbedaan dalam skala, misalnya ada

rupiah, tahun, meter, dstnya; maka data tersebut harus di standarisasi terlebih dahulu

dengan menggunakan prosedur yang sudah ada di dalam teknik ini.

Asumsi menggunakan teknik multidimensional scaling procedure relative bebas dari

asumsi distribusional. Sekalipun demikian kita harus memilih skala pengukuran yang

tepat, misalnya ordinal, interval, atau ratio dalam SPSS pilihan ini ada di perintah

Options.

Jika file data mewakili jarak antara seperangkat obyek atau jarak antara dua perangkat

obyek, maka kita harus melakukan spesifikasi bentuk matriks data untuk memperoleh

hasil yang benar. Pilihlah alternative sebagai berikut: Square symmetric, Square

asymmetric, atau Rectangular.

Multidimensional scaling menggunakan data yang berbeda untuk membuat solusi

penggunaan skala. Jika data merupakan data multivariat, maka kita harus menciptakan

data yang berbeda untuk menghitung solusi multidimensional scaling. Kita dapat

membuat spesifikasi detil-detil data tersebut dengan cara menciptakan pengukuran

keterbedaan dari data yang kita miliki.

        Pengukuran akan memungkinkan kita membuat spesifikasi pengukuran keterbedaan

dalam analisis yang kita lakukan. Caranya ialah dengan memilih satu alternatif dari

Measure group yang berhubungan dengan tipe data yang dipunyai, dan kemudian

pilih salah satu pengukuran dari daftar yang ada yang berhubungan dengan tipe

pengukuran yang ada dalam SPSS, diantaranya:

         Interval. Euclidean distance, squared Euclidean distance, Chebychev, Block,

Minkowski, atau Customized.

         Count. Chi-square measure atau Phi-square measure.

        Binary. Euclidean distance, Squared Euclidean distance, Size difference, Pattern

difference, Variance, atau Lance dan Williams

        Pengukuran keterbedaan untuk data interval digunakan:

         Euclidean distance. Akar kuadrat jumlah perbedaan yang dikuadratkan antara

nilai-nilai semua item.

         Squared Euclidean distance. Jumlah perbedaan yang dikuadratkan antara semua

nilai bagi item-item tersebut.

         Chebychev. Perbedaan absolut maksimum nilai-nilai untuk semua item.

         Block. Jumlah perbedaan absolut antara nilai-nilai item; yang juga disebut

sebagai Manhattan distance.

         Minkowski. Akar ke p dari jumlah perbedaan absolut ke to p power antara

nilai-nilai semua item.

        Customized. Akar ke r dari jumlah perbedaan absolut ke p power antara nilai-

nilai untuk semua item

        Pengukuran keterbedaan untuk data count digunakan:

         Chi-square measure. Didasarkan pada uji chi-square untuk kesejajaran

(equality) untuk dua perangkat frekuensi..

        Phi-square measure. Pengukuran ini sejajar dengan chi-square measure yang

normalisasikan dengan akar kuadrat dari frekuensi yang dikombinasikan.

        Pengukuran keterbedaan untuk data biner digunakan:

         Euclidean distance. Dihitung dari table lipat empat sebagai SQRT(b+c), dimana

b dan c mewakili sel-sel diagonal yang berhubungan dengan kasus-kasus yang

hadir dalam satu item tetapi absen di item-item lain.

         Squared Euclidean distance. Dihitung sebagai jumlah kasus-kasus yang sejajar.

Nilai minimum sebesar 0, dan tidak mempunyai batas atas..

         Size difference. Indeks asimetris yang mempunyai jangkauan dari 0 ke 1.

         Pattern difference. Pengukuran keterbedaan untuk data biner yang berkisart dari

0 ke 1. Dihitung dari table lipat empat sebagai bc/(n**2), dimana b dan c

mewakili sel-sel diagonal yang berhubungan dengan kasus-kasus yang hadir satu

item tetapi absen di item-item lain dan n merupakan jumlah observasi total.

         Variance. Dihitung dari table lipat empat sebagai (b+c)/4n, dimana b dan c

mewakili sel-sel diagonal yang berhubungan dengan kasus-kasus yang hadir satu

item tetapi absen di item-item lain dan n merupakan jumlah observasi total

dengan kisaran nilai dari 0 ke 1.

        Lance and Williams. Dihitung dari table lipat empat sebagai (b+c)/(2a+b+c),

dimana a mewakili sel yang berhubungan dengan dengan kasus-kasus yang hadir

dalam kedua item, dan b serta c mewakili sel-sel diagonal yang berhubungan

dengan kasus-kasus yang hadir satu item tetapi absen di item-item lain.

Pengukuran ini berkisar dari 0 ke 1. Pengukuran ini dikenal juga sebagai Bray-

Curtis nonmetric coefficient.

 

 

        Pengukuran nilai-nilai yang ditransformasi digunakan:

         Z scores. Semua nilai distandarisasi kedalam nilai Z, dengan rata-rata sebesar 0

dan simpangan baku sebesar 1.

         Range -1 to 1. Masing-masing nilai untuk item tertentu yang sedang

distandarisasi dibagi dengan jarak semua nilai.

         Range 0 to 1. Prosedur ini mengurangi nilai minimum dari masing-masing dari

masing-masing item yang sedang distandarisasi kemudian dibagi dengan jarak.

         Maximum magnitude of 1. Prosedur untuk membagi masing-masing nilai untuk

item tertentu yang sedang distandarisasi dengan jumlah maksimum semua nilai.

         Mean of 1. Prosedur untuk membagi masing-masing nilai untuk item tertentu

yang sedang distandarisasi dengan rata-rata semua nilai.

        Standard deviation of 1. Prosedur untuk membagi masing-masing nilai untuk

variable atau kasus tertentu yang sedang distandarisasi dengan simpangan baku

semua nilai.

 

        Model Multidimensional Scaling

Estimasi yang tepat dalam suatu model multidimensional scaling tergantung pada aspek-

aspek data dan model itu sendiri. Di bawah ini akan dibahas mengenai tingkat

pengukuran, persyaratan, dimensi dan model scaling.

        Tingkat Pengukuran (Level of Measurement). Memungkinkan kita untuk

membuat spesifikasi tingkat data, yang dapat berupa data ordinal, interval, atau

rasio. Jika variable-variabel berupa ordinal, pilih Untie observasi-observasi terikat

“tied” dengan meminta semua variable tersebut diperlakukan sebagai variable-

variabel continuous, sehingga pengikat (tie) untuk semua nilai yang sama bagi

kasus-kasus yang berbeda dapat diselesaikan secara optimal.

        Persyaratan (Conditionality). Memungkinkan kita untuk membuat spesifikasi

perbandingan-perbandingan mana yang bermakna. Pilihannya ialah Matrix, Row,

atau Unconditional.

        Dimensi (Dimensions). Memungkinkan kita membuat spesifikasi dimensionalitas

dalam penyelesaian scaling. Salah satu penyelesaiannya ialah dengan menghitung

masing-masing angka dalam kisaran tertentu.. Spesifikasi integer-integer antara 1

dan 6; minimal 1 diijinkan hanya jika kita memilih Euclidean distance sebagai

model scaling. Untuk penyelesaian tunggal, spesifikasi angka yang sama dalam

bentuk minimal dand maximal.

        Model Pembuatan Skala (Scaling Model). Memungkinkan kita melakukan

spesifikasi asumsi-asumsi dimana scaling dilakukan. Pilihan yang tersedia ialah

Euclidean distance atau Individual differences Euclidean distance (disebut

juga sebagai INDSCAL). Untuk model Individual differences Euclidean distance,

kita dapat memilih perintah Allow negative subject weights, jika sesuai dengan

data yang ada.

 

        Opsi-Opsi dalam Multidimensional

Scaling

Kita dapat membuat spesifikasi opsi-opsi dalam analisis multidimensional scaling,

diantaranya:

        Display. Memungkinkan kita memilih berbagai tipe keluaran, misalnya. Group

plots, Individual subject plots, Data matrix, serta Model dan options summary.

        Criteria. Memungkinkan kita menentukan kapan iterasi harus berhenti. Untuk

mengubah default, masukkan nilai-nilai untuk S-stress convergence, Minimum S-

stress value, dan Maximum iterations.

        Treat distances less than n as missing. Jarak (distance) kurang dari nilai yang

dikeluarkan dari analisis.

 

 

1.4.4        Ringkasan Teknik Analisis Interdependensi Multivariat

Pada bagian berikut ini akan digambarkan table 1.2 berupa ringkasan teknik analisis

interdependensi multivariat.

 

Teknik Tujuan Tipe

Pengukuran

Analisis Faktor Untuk membuat ringkasan informasi yang berisi

jumlah variable yang banyak menjadi sejumlah factor

yang lebih sedikit

Interval

Analisis Kluster Untuk membuat klasifikasi individu-individu atau

obyek-obyek ke dalam jumlah yang lebih kecil

kelompok yang berbeda dengan tujuan untuk

meyakinkan bahwa akan terdapat kesamaan yang besar

dalam kelompok-kelompok tersebut dan perbedaan

antar kelompok-kelompok tersebut

Interval

Multidimensional

Scaling

Untuk mengukur obyek-obyek dalam ruangan

multidimensional dengan didasarkan pada penilaian-

penilaian yang diberikan oleh responden mengenai

kemiripan obyek-obyek tersebut.

Tergantung

teknik yang

digunakan

 

 

1.5  Ringkasan

Analisis multivariate digunakan jika suatu masalah dalam penelitian mengandung tiga

atau lebih dari tiga variable. Selanjutnya dalam analisis ini dibagi menjadi dua

kategori metode, yaitu metode dependensi dan interdepedensi. Model pertama

terdapat dua jenis variable, yaitu variable bebas dan tergantung; sedang model kedua

hanya terdapat satu jenis variable, yaitu variable bebas.

Metode dependensi terdiri atas beberapa teknik analisis, yaitu regresi berganda,

analisis diskriminan, korelasi kanonikal dan MANOVA

Metode interdependensi terdiri atas beberapa teknik analisis, yaitu analisis faktor,

analisis kluster dan multidimensional scaling.

1.6  Pertanyaan-Pertanyaan

1        Apa sebenarnya yang dimaksud dengan analisis multivariate?

2        Apa perbedaan antara metode dependensi dan interdependensi?

3        Apa tujuan-tujuan kita dalam menggunakan teknik-teknik analisis: regresi berganda,

analisis diskriminan, korelasi kanonikal dan MANOVA

4        Apa tujuan-tujuan kita dalam menggunakan teknik-teknik analisis: analisis faktor,

analisis kluster dan multidimensional scaling.

5        Berikan contoh-contoh kasus yang dapat menggambarkan masalah dan penyelesaiannya

dengan menggunakan teknik-teknik analisis di atas baik yang termasuk dalam metode

dependensi maupun interdependensi.

 

 

 

 

PENYAJIAN DATA & PENULISAN HASIL

1. 12/09/11 2. Prinsip Dasar Surveilans 12/09/11 Pulta Analisis Action 3. 12/09/11 Proses Pengolahan & Analisis Data Cek data utk melihat kebenaran & konsistensi Lakukan koreksi sesuai dg kondisi Yg sebenarnya Kompilasi data Validasi data Transfor- masi data Pengolahan data 4. 12/09/11 Hal-hal yg perlu diperhatikan dalam Proses Pengolahan & Analisis Data Apa tujuan Analisis data Data relevan dengan tujuan Kualitas data dapat dipercaya Gunakan metode yg tepat & mudah Ungkapkan batasan kelemahanya bila ada Hasil analisis harus standard - mudah dimengerti - menghasilkan persepsi sama - dpt diperbandingkan menurut waktu, geografis dsb 5. 12/09/11 Lengkap A k u r a t Tepat Waktu Harapan mencakup semua kegiatan mencakup semua fasilitas yankes mencakup semua wilayah kerja mencakup semua variabel sesuai dgn definisi operasional konsistensi terjaga Tepat dalam pengisian variabel sesuai dgn ketentuan 24 jam, mingguan,bulanan,triwulan, kwartal, semester, tahunan 6. CIRI DATA YG BAIK 12/09/11 Reliabel Dpt dipercaya, bila dikumpulkan kembali Tetap mendapat hasil yg sama Valid Informasi yg dikumpulkan sesuai dg Keterangan yg diinginkan Relevan Akurat Informasinya sesuai dg yg dibutuhkan Ketelitian cukup memenuhi kebutuhan Tepat Waktu Tidak kadaluarsa 7. 12/09/11 Manual Elektrik Software SP2TP Kesga P2M Lain-lain Hasil berbeda-beda padahal sumber sama REALITA MASALAH LAH-TA PUSKESMAS

8. Analisis Data Analisis Univariat Analisis Bivariat Analisis Multivariat 12/09/11 9. 12/09/11 UNIVARIAT : untuk melihat distribusi frekuensi (Rate, Ratio, Proporsi)/ nilai tengah suatu variabel BIVARIAT : Melihat Signifikansi/ ada hubungan atau tidak MULTIVARIAT : Melihat Faktor yang paling dominan 10. 12/09/11 ANALISIS MULTIVARIAT: 1. Pemodelan Kuantitatif ANALISIS BIVARIAT: 1. Diagnosis data 2. Uji Hipotesis 2 var 11. 12/09/11 STATISTIK UNIVARIAT 12. 12/09/11 STATISTIK UNIVARIAT 13. 12/09/11 STATISTIK UNIVARIAT 14. 12/09/11 Dukungan statistician Mengetahui hasil komputasi Mengetahui alat-alat statistik Tim Pakar Substantif Kemampuan substantif EPIDEMIOLOG HASIL DATA ANALISIS UNSUR PENDUKUNG KIAT SUKSES ANALISIS DATA

15. 12/09/11 VISUALISASI DATA - Informasi penting / urgen Naratif Tabulair Grafik Maping - Sederhana namun mudah dipahami - Tampilkan lebih atraktif SANGAT DIPENGARUHI OLEH SKALA VARIABELNYA

16. 12/09/11 PENYAJIAN TABULAR: Judul tabel lengkap Badan tabel terdiri dari . Variabel/konsep . Distribusi frek . Distribusi proporsi . Uji stat (bila perlu) Hindari tabel yg

kompleks Desimal seperlunya Hindari duplikasi (tabel kemudian diikuti oleh teks dan/atau grafik PENYAJIAN TEKSTULAR Menggunakan bahasa yg benar Ringkas tetapi efektif Menghindari bahasa berbunga Paragraf mengandung: . Tema . Data/fakta pendukung tema . Pendapat/opini PENYAJIAN GRAFIKAL Histogram/Bargram Diagram Pie Diagram Garis Diagram Sebar

17. 12/09/11 CONTOH TEKSTULAR (ALINEA YANG BAIK) Angka Kematian Ibu (AKI) di Indonesia masih tinggi bila dibandingkan dengan negara tetangga. Data Bank Dunia tahun 1995 menunjukkan bahwa AKI di Indonesia adalah 600 per 100.000 kelahiran, sedang Thailand hanya sebesar 100 per 100.000 kelahiran; Singapura 50/100.000 kelahiran.. dst. Data SKRT 1995 juga menunjukkan tingkat AKI yang relatif sama, yaitu 550/100.000 kelahiran . Hal ini menunjukkan bahwa pelayanan kesehatan di Indonesia masih memprihatinkan. TEMA DATA OPINI 18. 12/09/11 Naratif Yaitu memvisualisasikan atau menyajikan hasil pengolahan data dgn menggunakan kalimat atau kata-kata - Gunakan kalimat yg singkat - Tonjolkan informasi yg penting Misal : Sebagian besar (..%) bumil yang mendapat pelayanan K-1 telah imunisasi TT-1 3 diantara 30 orang penderita Diare adalah peserta PAEL

19. 12/09/11 TABEL Yaitu visualisasikan atau menyajikan hasil Analisis data dgn menggunakan tabel/ matriks dari yg sederhana - kompleks - Bentuk tabel : Matriks Tabel - Sederhana ( oneway tabulation ) - Silang ( twoway tabulation ) - Berganda ( threeway tabulation) 20. 12/09/11 Penyajian Matriks yaitu penyajian informasi secara gabungan antara bentuk tabel dengan narasi (kalimat) contoh penyajian matriks 2 bln – < 5 th Gejala untuk penegakan diagnosis Kel Umur Pnemonia Berat Terlihat adanya tarikan Tidakdada bagian bawah ke dalam terlihat adanya tarikan dada bag. bawah kedalam Frekuensi nafas cepat - umur 2 bl - < 12 bl dg frek 50 x / mnt - umur 2 bl - < 12 bl dg frek 40 x / mnt Pnemonia Tidak terlihat adanya tarikan dada bag. bawah kedalam Tdk ada nafas cepat - umur 2 bl - < 12 bl dg frek < 50 x / mnt - umur 2 bl - < 12 bl dg frek < 40 x / mnt Bukan Pnemonia 21. 12/09/11 Penyajian Tabulair yaitu penyajian informasi dalam bentuk angka- dengan menggunakan format kolom dan baris Tabel harus mudah dipahami pembaca Tabel se-sederhana mungkin Dua atau Tiga tabel lebih baik dibanding satu tabel besar dg banyak variabel 22. 12/09/11 Persyaratan tabel yg baik Tabel terdiri dari 3 bagian • Judul tabel • Badan tabel • Catatan kaki / Note Judul Tabel • Singkat, jelas & relevan serta menjelaskan Apa yg disajikan ? Dimana peristiwanya ? dan Kapan kejadianya ? 23. 12/09/11 tabel yg baik Badan Tabel • Badan tabel terdiri dari lajur kolom dan baris • Setiap lajur di beri label atau singkatan / kode • Titik temu kolom dengan baris berisi nilai var • Pada akhir kolom/baris sediakan lajur jumlah Catatan kaki / note • Memuat penjelasan dari singkatan / kode label • Mencantumkan sumber informasi dari isi tabel 24. 12/09/11 Contoh tabel Tabel 1. Hasil imunisasi TT Bumil Puskesmas Karang s/d Tw II th 2005 Label kolom Label baris catatankaki Judul tabel Apa ? Dimana ? Kapan ? Note: Pusk= Puskesmas, Psy= Posyandu Ln= Lain-lain,jml=jumlah Sumber : Puskesmas karangangue, Kab Adasaja 25. 12/09/11 Contoh bentuk tabel sederhana (one-way tabulation) Tabel 2. Jumlah kasus baru PD3I Puskesmas Suka Kab Wae Th 2004 Jenis Penyakit Jumlah kasus % 1.Campak 50 62,5 2. Difteria 2 2,5 3. Pertusis 15 18,7 4. Tetanus Neonatorum 10 12,5 5. Meningitis TBC 0 0 6. Hepatitis B 3 3,8 Jumlah 80 100 Keterangan: PD3I = Penyakit yang dapat dicegah dengan imunisasi Sumber : Pengelola Program Surveilans Puskesmas Suka

26. 12/09/11 Contoh bentuk tabel Silang (two-way tabulation) Tabel 3. Hasil Pemeriksaan Laboratorium Suspek Malaria menurut jenis kelamin , pasien yang berobat di Pusk Ulun Kab Pulang Pisau bulan Juli tahun 2005 Sumber : Pengelola Program Malaria Puskesmas Ulun Kab. piyan Jenis Parasit Jenis Kelamin Jumlah Pria Wanita 1. Plasmodium Falsifarum 55 30 85 2. Plasmodium Vivak 25 20 45 3. Plasmodium Ovale 0 0 0 4. Mix 15 15 30 Jumlah 95 65 160 27. 12/09/11 Contoh bentuk tabel Berganda (three-way tabulation) Tabel 4. Hasil pengobatan penderita TB BTA+ menurut keaktifan PMO di Puskesmas Pian Kab. Muara Jambi bulan Juli Tahun 2005 Desa Hasil pengobatan PMO aktif PMO tdk aktif sembuh lkp Tdk lkp sembuh Lkp Tdk lkp 1. Seluang 4 2 0 1 1 5 2. N i l a 3 2 1 1 1 3 3. Baung 5 0 0 0 0 4 4. Emas 2 3 1 0 1 3 Jumlah 14 7 2 2 3 15 Keterangan: PMO= Pengawas Menelan Obat, lkp = lengkap Sumber : Pengelola Program TB-Paru Puskesmas Aruan

28. 12/09/11 Grafik Yaitu visualisasikan atau menyajikan hasil pengolahan data dalam bentuk grafik atau diagram tertentu Pilih grafik yg sederhana atraktif dan mudah dipahami (self explanatory) Grafik hrs sesuai tujuan Perhatikan aturan dalam pembuatan grafik 29. 12/09/11 Persyaratan Grafik Grafikl terdiri dari 3 bagian • Judul grafik • Badan grafik • Catatan kaki / Keterangan Judul Grafik • Singkat, jelas & relevan serta menjelaskan Apa yg disajikan ? Dimana peristiwanya ? dan Kapan kejadianya ? 30. 12/09/11 Persyaratan Grafik yg baik Badan Grafik • Tampilkan variabel dg warna-bentuk yg menarik • Batasi variabel yg ditampilkan dlm grafik • Bila variabel > 2 gunakan perbedaan yg jelas • Lengkapi grafik dg legenda yg menjelaskan artinya • Khusus grafik Garis, Batang dan scatter - Memiliki dua sumbu aksis X dan Y - Titik potong sumbu X & Y memp nilai nol - Axis X posisi mendatar, var independen, klasifikasi - Axis Y posisi tegak, var dependen, frekuensi,rate - Pembagian skala sumbu X & Y harus jelas & sama kecuali semi log - log 31. 12/09/11 Persyaratan Grafik yg baik Catatan kaki / note • Memuat penjelasan dari singkatan / kode label • Mencantumkan sumber informasi dari isi tabel 32. 12/09/11 Bentuk Grafik Garis Batang - Histogram - Bar diagram Lingkaran (Pie) Pencar (Scatter) Gambar (Pictogram) Peta (Cartogram)/Map - Plot - Area 33. 12/09/11 Tujuan & manfaat dari Bentuk Presentasi Grafik UTK.

MENGGAMBARKAN TRENDS/ PERKEM-BANGAN SUATU NILAI DR WAKTU KE WAKTU 1. GARIS 2. BATANG -HISTOGRAM -BAR DIAGRAM UTK. MENGGAMBARKAN TRENDS/ PERKEM-BANGAN SUATU NILAI DR WAKTU KE WAKTU UTK. MEMBANDINGKAN SATU NILAI ATAU LEBIH DARI BEBERAPA KATEGORI 3. PIE (LINGK) UTK. MEMBANDINGKAN SUATU NILAI DARI BEBERAPA KATEGORI JENIS GRAFIK TUJUAN & MANFAAT 34. 12/09/11 Tujuan & manfaat dari Bentuk Presentasi Grafik 4. SCATTER UTK MENGGAMBARKAN KE-ERATAN HUBUNG-AN ( SEBAB-AKIBAT ) ANTARA DUA VARIABEL 5. GAMBAR UTK. MEMBANDINGKAN SUATU NILAI DARI BEBERAPA KATEGORI SEKALIGUS MELIHAT PERKEMBANGAN DR WAKTU KE WAKTU 6. PETA UTK. MENGGAMBARKAN PENYEBARAN DARI SUATU NILAI MENURUT KONSEP WILAYAH JENIS GRAFIK TUJUAN & MANFAAT 35. 12/09/11 Grafik GARIS Garis Tunggal (Single Line Chart) Frekuensi kumulatif (Cumulative Frequensi Graph) Garis ganda (Multiple Line Chart) Garis Komponen berganda (Multiple Componen LC) Presentase komponen berganda Precentage MCLC) Garis Seimbang (Balance Line Chart) Garis Interval (Interval Line Chart) 36. 12/09/11 Contoh-contoh grafik garis Grafik garis tunggal Grafik garis kumulatifl

37. 12/09/11 Contoh-contoh grafik garis Grafik garis berganda Grafik Komponen berganda 38. 12/09/11 Contoh-contoh grafik garis Grafik garis persentase komponen bergandal Grafik garis Interval Grafik III.8 : Angka maksimum dan minimun penderita klinis Malaria yang berobat pada sarana pelayanan kes di Prop Kalsel tahun 1995 s/d 1999 39. 12/09/11 Contoh-contoh grafik garis Grafik garis Seimbang   Grafik 5 : Case Fatality rate (CFR) dan Insidens DBD di Indoesia Tahun 1968 -1999 40. 12/09/11 Grafik BATANG Frekuensi Histogram Batang Tunggal Batang Ganda Batang Komponen Batang Presentase Komponen Batang Mendatar Batang Sektor 41. 12/09/11 Contoh-contoh grafik Batang Frekunsi Histogram Grafik Batang Tunggal 42. 12/09/11 Contoh-contoh grafik Batang Grafik Batang Ganda Grafik Batang Komponen 43. 12/09/11 Contoh-contoh grafik Batang Grafik Batang Persentase Komponen Grafik Batang Mendatar 44. 12/09/11 Contoh-contoh grafik Batang Grafik Batang Sektor 45. 12/09/11 Contoh-contoh grafik Batang Grafik Batang Sektor 46. 12/09/11 Contoh Grafik Lingkaran (Pie) 47. 12/09/11 Diagram pencar berat badan bayi dikaitkan dg umur kehamilan saat dilahirkan di RS Baturajin tahun 2000 Contoh Diagram Pencar (Scatter Diagram) BB Bayi saat lahir Umur kehamilan 0 1 2 3 4 5 28 30 32 34 36 38 40 42 44 ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° ° 48. 12/09/11 Jumlah Perkembangan Penduduk Antah Berantah Hasil SP th.1990-2000 Contoh = Laki-laki Th 1990,153 Juta = Perempuan Grafik Gambar (Pictogram) Th 2000,171Juta 49. 12/09/11 Contoh Grafik Peta (Cartogram)

. BENTUK PENYAJIAN DATA1.

Penyajian Data Secara Tekstular2. Penyajian Data Secara Tabuler3. Penyajian Data Secata Grafikal 2. 1. Penyajian Data Secara Tekstular• Penyajian data dlm bentuk kalimat• Diperlukan utk mengalami penulisan hasil• Berfungsi sebagai pengantar• Penyajian Tekstular yang baik : – Kata-kata yg digunakan tepat tdk mempunyai arti ganda – Penulisan baku sesuai kaidah bahasa indonesia – Uraian harus lengkap, mencakup kapan, apa, dimana, dan oleh siapa pengumpulan data dilakuan 3. Contoh• Penyebaran penyakit malayria didaerah pedesaan pantai lebih tinggi dibandingkan dgn penduduk pedesaan pedalaman• Penelitian oleh malapetaka pd thn 2007, tentang diare di rumah sakit palang biru menemukan bahwa dr 200 penderita diare terdpt 60% diare yg disebabkan oleh bakterial, 30% diare karena intoleransi dan 10% tdk diketahui penyebabnya

4. 1. Penyajian Data Secara TabulerTerdpt 2 tabel yakni tabel umum (master tabel) dan tabel khusus2.Tabel Umum a. Menyajikan data aslinya shg dpt dipakai utk rujukan tabel khusus b. Menjadi sumber keterangan utk data asli c. Sebagai penyusun tabel khusus 5. Ciri-Ciri Tabel Umum • Berisi Keterangan beraneka ragam tentang subyek yg sama atau berisi semua variabel yg diteliti (data dikumpulkan) • Untuk data kuantitatif berisi angka absolut bukan persentase • Berisi keterangan yg mudah dipakai untuk rujukan • Nilai yg dimasukkan adalah nilai asli dan belum dibulatkanNo. Nama Umur Jenis Kelamin Pendidikan Suku Ekonomi dsb1. Urdu 10 lelaki SD Sunda rendah ---2. Yani 15 Perempuan SPM Jawa rendah ---3. Dunda 14 lelaki SMP Bugis rendah --- 6. Tabel KhususMerupakan penjabaran atau bagian dari tabelumumCiri : angka-angka dpt dibulatkan dan hanyaberisi beberapa variabel sajaFungsi : menggambarkan adanya hubunganatau assosiasi khusus dan menyajikan datayang terpilih (selektif) dalam bentuksederhanaTDD tabel univariate dan tabel bevariate

7. Contoh Tabel Univarian • Menggambarkan penyajian data untuk satu variabel sajaTabel 4.1 Distribusi Penderita Diare Berdasarkan Penyebab di RS Palang Biru Periode Tahun 2007No Penyebab diare Jumlah Persentase1 Diare bakterial 120 602 Diare intoleransi 60 303 Sebab lain 20 10

8. Contoh Tabel Bivariate Menyajikan data dari 2 variabel secara silang Disebut juga tabel silang (cross table)Tabel 4.2 Distribusi Pendidikan Responden Berdasarkan Status Sosial Ekonomi di Puskesmas X Tahun 2007 Status Sosek Rendah Menengah Tinggi JumahPendidikanButa huruf 29 8 3 40Tidak tamat SD 20 23 20 63Tamat SD 24 15 19 58Tamat SLTP/Sedderajat 5 18 19 42Tamat SLTA/Sederajat 3 15 12 30 Jumlah 81 79 73 233 9. Yang perlu diperhatikan dalam tabel khusus a.l…• Tabel khusus harus sederhana mungkin, artinya lebih baik membuat 2 atau lebih tabel dari pada 1 tabel khusus yang padat dan rumit• Tabel khusus harus jelas sehingga mudah dimengerti artinya tiap baris dan kolom harus ada judul yang jelas• Apabila tabel tersebut diambil dari sumber lain, (bukan dari hasil penelitian sendiri harus) disebutkan sumbernya atau rujukannya 10. Tahnik penulisan tabelKeberadaan tabel harus ditulis dengan naskahTabel harus memuat judul tabel yang ditulis diatas tabelJudul tabel harus jelas,menggambarkan ciri, apa, dimanadan kapanSumber data yang dicantumkan harus jelasJumlah kolom selalu dibawah, sedangkan jumlah barisselalu berada dikananUkuran/satuan ditulis dalam judul kolomCatatan kaki dituliskan segera dibawah tabel, bila terdapatsingkatan dalam tabel, maka kepanjangan singkatan harusdituliskan di bawah tabel

11. 3. Penyajian Data Secara GrafikalContoh Bar Diagram : Diagram 4.1 jumlah penderita demam berdarah berdasarkan tingkat pendidikan di RSU Melati Surabaya tahun 2007 90 80 70 60 Jumlah 50 SD (orang) 40 SMP 30 SMA 20 10 0 Jan Peb Mar Apr Bulan 12. Gambar diagram garis Diagram 4.1 jumlah kunjungan puskesmas gedong Surabaya tahun 2007 1000 900Jumlah 800(orang) 700 600 Line 1 500 400 300 200 100 0 1 2 3 4 5 6 7 8 9 10 11 12 Bulan 13. Contoh diagram pie Diagram 4.3 Jumlah akseptor KB Kelurahan Tugu Tahun 2007 10% 15% 30% IUD PIL Suntik Susuk 45%

14. Ketentuan Membuat Grafika. Judul gambar dan grafik harus jelas dan tepat. Judul

terletak diatas gambar atau grafik dan menggambarkan ciri data, tempat, dan tahun data

tersebut diperoleh (what, where and when).b. Garis horisontal maupun garis vertikal

sebagai koordinat jelas dan dicantumkan variabelnyac. Sumbu X menunjukkan variabel

bebas, sedangkan sumbu Y menunjukkan variabel terikatd. Garis sumbu harus lebih tipis

dibandingkan garis grafik supaya grafik lebih menonjole. Sumber data dicantumkan

dibawah kiri gambar/ grafikf. Catatan tambahan diletakkan dibawah kanan grafik /

gambarg. Skala pada gambar dicantumkan satuan yg digunakan