Tugas Ujian Akhir Semester

Essay Ilmiah Tentang Analisis Multivariat

Dosen Pengampu Mata Kuliah

Dr. Syaiful Iqbal, SE., M.Si., Ak.

Disusun oleh:

AGUM GUMELAR
196020300111017

MAGISTER ILMU AKUNTANSI

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS BRAWIJAYA
MALANG
2019
 PENDAHULUAN
Analisis Multivariat
Analisis multivariat merupakan salah satu teknik statistik yang digunakan untuk
memahami struktur data dalam dimensi tinggi. Variabel-variabel itu saling terkait satu sama
lain. Disinilah letak perbedaan antara multivariabel dan multivariat. Multivariat pasti
melibatkan multivariabel tetapi tidak sebaliknya. Multivariabel yang saling berkorelasilah
yang dikatakan multivariat.
Analisis multivariat merupakan analisis lanjutan dari analisis univariat maupun
bivariat. Secara ilmiah, untuk menjelaskan penomena sosial perlu dilakukan percobaan
dengan pengumpulan dan analisis data. Analisis data yang dikumpulkan dari pengamatan
atau percobaan akan menghasilkan modifikasi penjelasan dari penomena tersebut. Selama
dalam masa percobaan tersebut, sering kali akan terjadi penambahan dan pengurangan
variabel. Dengan demikian, maka akan timbullah masalah yang semakin komplek sehingga
dibutuhkan lebih banyak variabel yang berbeda. Karena dalam data akan terdapat pengaruh
beberapa variabel terhadap variabel lainnya dalam waktu yang bersamaan.
Analisis Multivariat adalah metode pengolahan variabel dalam jumlah yang banyak,
dimana tujuannya adalah untuk mencari pengaruh variabel-variabel tersebut terhadap suatu
obyek secara simultan atau serentak (https://www.statistikian.com/).
Pengertian Analisis Multivariat
Metode analisis multivariat adalah suatu metode statistika yang tujuan digunakannya
adalah untuk menganalisis data yang terdiri dari banyak variabel serta diduga antar variabel
tersebut saling berhubungan satu sama lain.
Analisis multivariat adalah salah satu dari teknik statistik yang diterapkan untuk
memahami struktur data dalam dimensi tinggi. Dimana variabel-variabel yang dimaksud
tersebut saling terkait satu sama lain.
Berdasarkan beberapa definisi Analisis Multivariat di atas, maka statistikian
menyimpulkan bahwa yang dimaksud dengan Analisis Multivariat adalah suatu analisis yang
melibatkan variabel dalam jumlah lebih dari atau sama dengan 3 variabel.
Dimana minimal ada satu variabel terikat dan lebih dari satu variabel bebas serta
terdapat korelasi atau keterikatan antara satu variabel dengan variabel lainnya. Maka dapat
diartikan bahwa Analisis Multivariat juga merupakan analisis yang melibatkan cara
perhitungan yang kompleks. tujuannya adalah agar dapat memahami struktur data
berdimensi tinggi dan saling terkait satu sama lain.
Teori Analisis Multivariat
Teori dari Metode analisis multivariat dalam hal ini sebenarnya telah diketahui sejak
lama sekali, hanya saja karena cara perhitungannya yang rumit maka jarang sekali
diterapkan. Tetapi akhir-akhir ini, bersamaan dengan berkembangnya teknologi. Dimana
muncul aplikasi komputer seperti SPSS untuk menghitung atau menganalisis metode
statistik dengan mudah. Maka barulah Analisis Multivariat ini sering digunakan oleh para
peneliti karena kemudahan-kemudahan yang diberikan oleh aplikasi komputer dan
banyaknya informasi yang bisa didapat dari Analisis Multivariat ini.
Statistikian juga berpendapat bahwa telah sering terjadi kesalahpahaman yang
mendasar dari para mahasiswa atau bahkan para peneliti. Yaitu tentang definisi Analisis
Multivariat, yaitu kerancuan dalam memahami perbedaan antara Analisis Multivariat dan
analisis multiple.
Perlu dipahami dan diperhatikan, bahwa pengertian Analisis Multivariat benar-benar
berbeda dengan analisis multiple atau disebut juga analisis multivariabel.
Metode analisis multivariat
Analisis multivariat merupakan salah satu teknik statistik yang digunakan untuk
memahami struktur data dalam dimensi tinggi. Variabel-variabel itu saling terkait satu sama
lain. Disinilah letak perbedaan antara multivariabel dan multivariat. Multivariat pasti
melibatkan multivariabel tetapi tidak sebaliknya. Multivariabel yang saling berkorelasilah
yang dikatakan multivariat.
Analisis statistik multivariat merupakan metode statistik yang memungkinkan
dilakukannya penelitian terhadap lebih dari dua variable secara bersamaan. Dengan
menggunakan teknik analisis ini, dapat dianalisis pengaruh beberapa variabel terhadap
variabel – variabel lainnya dalam waktu yang bersamaan. Ada 2 macam teknik analisa
multivariat:
1. Teknik Dependen
Suatu variabel atau kumpulan variabel yang diidentifikasi sebagai variabel dependen
yang diprediksi atau dijelaskan oleh variabel lain yang merupakan variabel
independen. Adapun metode-metode yang termasuk dalam teknik dependen ini antara
lain:
a. Multiple regression
Metode ini menguji hubungan antara minimal dua variabel independen dan satu
variabel dependen. Berbeda dengan analisis regresi yang bivariat.
b. Multiple Discriminant Analysis
Suatu teknik statistik untuk memprediksi probabilitas dari objek yang termasuk
kedalam dua atau lebih kategori mutual eksklusif (variabel dependen) yang
berdasarkan pada beberapa variabel independen. Cirinya adalah independen
variabel harus berupa metric dan memiliki derajat kenormalan.
c. Logit/Logistic Regression
Suatu variabel dependen non-metrik tunggal yang diprediksi oleh beberapa variabel
independen metric. Teknik ini hampir sama dengan discriminant analysis, tetapi
mengandalkan perhitungan yang lebih mirip dengan regresi.
d. Multivariate Analysis of Variance (MANOVA)
Suatu teknik statistik yang menyediakan suatu uji signifikansi simultan perbedaan
rata-rata antara kelompok-kelompok untuk dua atau lebih variabel dependen.
e. Conjoint Analysis
Suatu teknik statistik yang digunakan untuk memahami preferensi responden
terhadap suatu produk atau jasa. Biasanya disebut juga “trade-off analysis”.
 f. Canonical Correlation
Merupakan perluasan dari analisis regresi berganda. Tujuannya untuk
mengkorelasikan secara simultan beberapa variabel tak bebas Y dengan beberapa
variabel bebas X. Jika regresi linear berganda hanya ada satu variabel tak bebas Y
dengan beberapa variable bebas X, dalam korelasi kanonikal ada beberapa variabel
tak bebas Y yang akan dikorelasikan dengan variabel bebas X.
g. Structural Equations Modeling (SEM)
SEM meneliti hubungan antara beberapa set variabel secara bersamaan. Metode ini
dapat menggabungkan variabel laten, yaitu variabel yang tidak dapat diukur
langsung ke analisis.

2. Teknik Interdependen
Melibatkan analisis secara simultan dari semua variabel dalam satu kumpulan, tanpa
membedakan antara variabel yang dependen dan variabel yang interdependen. Adapun
metode-metode yang termasuk dalam teknik interdependen ini antara lain:
a. Principal Components & Common Factor Analysis
Analisis faktor merupakan suatu teknik statistik untuk menganalisa struktur dari
hubungan timbal balik diantara sejumlah besar variabel untuk menentukan
kumpulan faktor dari common underlying dimensions.
b. Cluster Analysis
Suatu teknik statistik untuk mengelompokkan objek (responden, produk,
perusahaan, variabel, dan lain lain) sehingga setiap objek mirip dengan objek yang
lain dalam satu gugusan (cluster) dan berbeda dari objek yang berada pada semua
gugusan lain.
c. Multidimensional Scaling
Suatu metode yang mengidentifikasi dimensi “tak-dikenali” yang mempengaruhi
perilaku pembelian yang berdasarkan pada keputusan pelanggan mengenai
kesamaan atau preferensi dan mengubahnya menjadi jarak yang digambarkan
sebagai perceptual maps. Suatu teknik statistik yang mengukur objek pada skala
multidimensi yang berdasarkan pada keputusan responden terhadap kesamaan
objek.
d. Correspondence Analysis
e. Suatu teknik statistik yang menggunakan data non-metrik dan mengevaluasi
hubungan linear atau non-linear sebagai usaha untuk mengembangkan perceptual
map yang menggambarkan asosiasi antara objek (perusahaan, produk, dan
sebagainya) dengan suatu kumpulan karakteristik deskriptif dari objek tersebut.
Perbedaan Dengan Analisis Multivariabel
Analisis multivariabel adalah analisis yang melibatkan lebih dari satu variabel bebas.
Dalam pengertian tersebut, kita tidak perlu mengetahui apakah di antara beberapa variabel
tersebut, baik variabel bebas maupun variabel terikat terdapat keterikatan atau korelasi satu
sama lain.
Maka statistikian dapat menyimpulkan perbedaan antara Analisis Multivariat dan
analisis multivariabel, yaitu: Analisis Multivariat pastilah analisis multivariabel, sedangkan
analisis multivariabel belum tentu Analisis Multivariat.
 PEMBAHASAN
Analisis Multivariat
Analisis statistik multivariat merupakan metode dalam melakukan penelitian terhadap
lebih dari dua variable secara bersamaan. Dengan menggunakan Teknik analisis ini maka kita
dapat menganalisis pengaruh beberapa variable terhadap variabel lainnya dalam waktu yang
bersamaan. Berdasarkan hubungan antar variabel, analisis multivariat dapat dibedakan
menjadi dependence techniques dan interdependence techniques. Dalam dependence
techniques, terdapat dua jenis variabel, yaitu variabel terikat dan variabel bebas.
Dependence techniques ini digunakan untuk menyelesaikan permasalahan-permasalahan
mengenai hubungan antara dua kelompok variabel tersebut. Sedangkan dalam
interdependence techniques, kedudukan setiap variabel sama, tidak ada variabel terikat dan
variabel bebas. Biasanya interdependence techniques ini digunakan untuk melihat saling
keterkaitan hubungan antar semua variabel tanpa memperhatikan bentuk variabel yang
dilibatkan (Bilson Simamora, 2005).

Analisis Regresi Linier Berganda

Analisis regresi berganda adalah suatu metode analisis regresi untuk lebih dari dua
variabel, karena itu termasuk dalam analisis multivariat. Namun karena dalam analisis
regresi ganda juga dianalisis hubungan antar satu variabel bebas X dengan variabel terikat Y
manakala variabel bebas X lainnya dianggap konstan, maka dalam analisisnya juga masih
bisa digunakan metode kuadrat terkecil. Karena itu analisis regresi ganda merupakan
jembatan penghubung antara analisis regresi sederhana yang bersifat bivariate, dengan
model analisis regresi yang bersifat multivariate. Analisis regresi merupakan studi dalam
menjelaskan dan mengevaluasi hubungan antara suatu peubah bebas (independent variable)
dengan satu peubah tak bebas (dependent variable) dengan tujuan untuk mengestimasi atau
meramalkan nilai peubah tak bebas didasarkan pada nilai peubah bebas yang diketahui
(Widarjono, 2005).
Asumsi-Asumsi Regresi Linear Berganda
Metode Kuadrat Terkecil dapat dilakukan apabila asumsi regresi linear klasik
terpenuhi. Beberapa asumsi yang yang harus dipenuhi oleh persamaan regresi linear
berganda ini adalah sebagai berikut:
1. Normalitas, regresi linear klasik mengasumsikan bahwa tiap εi mengikuti distribusi
normal, εi ~ N(0,σ2).
2. Non autokorelasi antar sisaan, berarti cov (εi ,εj ) = 0, dimana i ke j.
3. Homoskedastisitas, var (εi) = σ2 untuk setiap i, i= 1,2,…,n yang artinya varians dari
semua sisaan adalah konstan atau homoskedastik.
4. Tidak terjadi multikolinearitas. Tidak terdapat hubungan linear yang sempurna atau
pasti diantara variabel.

Untuk mengetahui apakah model persamaan yang digunakan sudah memenuhi asumsi-
asumsi regresi tersebut maka perlu dilakukan pemeriksaan pada masingmasing asumsi.
Pemeriksaan Asumsi Kenormalan
Pemeriksaan kenormalan sisaan bertujuan untuk melihat distribusi sisaan (εi).
Pemeriksaan kenormalan sisaan dilakukan dengan menggunakan plot persentilpersentil (P-
P Plot) (Draper dan Smith, 1992). Jika plot sisaan menyebar dekat di sekitar garis diagonal
maka model regresi memenuhi asumsi kenormalan. Selain itu, asumsi normalitas juga dapat
diperiksa dengan uji Kolmogorov-Smirnov. Pengujian dilakukan dengan menggunakan
sisaan sebagai variabel yang akan dilihat, berdistribusi normal atau tidak.
Hipotesis
H0 : Sisaan berdistribusi normal.
H1 : Sisaan tidak berdistribusi normal.
Asumsi normalitas terpenuhi jika uji Kolmogorov-Smirnov berada pada tingkat
signifikansi > α yang ditetapkan (Singgih, 2003).
Pemeriksaan Asumsi Autocorelasi
Autokorelasi dapat diartikan sebagai korelasi sisaan yang satu (εi) dengan sisaan
lainnya (εj). Biasanya autocorelasi sering terjadi pada data-data time series. Penyebab utama
terjadinya autocorelasi adalah ada variabel penting yang tidak digunakan dalam model.
Pendeteksian autocorelasi dapat dilakukan dengan menggunakan statistik Durbin-Watson.
Prosedur pengujiannya adalah sebagai berikut (Gujarati, 1999):
1. Lakukan regresi OLS dan dapatkan residual.
2. Hitung angka statistik d Durbin-Watson (didapat dari hasil pengolahan perangkat
lunak software SPSS 16.0). Diharapkan nilai d mendekati sekitar angka 2. Maka secara
praktis asumsikan tidak ada autokorelasi.
 3. Untuk ukuran sampel tertentu dan banyaknya peubah yang menjelaskan Data tertentu,
dapatkan nilai kritis dL dan dU.
4. Pengujian Hipotesis :
Ho : Tidak ada autocorelasi antar sisaan
H1 : Ada autocorelasi antar sisaan
5. Pengambilan keputusan ada tidaknya autocorelasi:
a. Jika hipotesis nol (Ho) adalah bahwa tidak ada korelasi serial positif, maka apabila:
d < dL = menolak Ho
d > dU = tidak menolak Ho
dL < d ≤ dU = pengujian tidak meyakinkan
b. Jika hipotesis nol (Ho) adalah bahwa tidak ada korelasi serial negatif, maka jika:
d > 4- dL = menolak Ho
d < 4- dU = tidak menolak Ho
4- dU ≤ d ≤ 4- dL = pengujian tidak meyakinkan
Sebagai catatan, jika ada masalah autokorelasi maka model regresi yang seharusnya
signifikan (dari uji-F) menjadi tidak layak untuk dipakai.
Pendeteksian Asumsi Homoskedastisitas
Artinya pada nilai variabel bebas berapapun variannya konstan yakni 𝜎 2 . Jika
variannya berbeda-beda atau bervariasi, berarti terjadi heteroskedastisitas. Pendeteksian
heteroskedastisitas dapat dengan membuat plot data antara nilai prediksi (Ŷi) pada sumbu
X dengan nilai kuadrat residualnya (𝑒𝑡2 ) pada sumbu Y (Gujarati, 1995). Jika tidak terdapat
pola yang jelas serta titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak
terjadi heteroskedastisitas atau model regresi baik untuk digunakan (Gujarati, 1999).
Pendeteksian Asumsi Multikolinearitas
Multikolinearitas adalah terjadinya hubungan linier yang sempurna atau pasti antara
peubah-peubah bebas. Multikolinearitas dapat dideteksi dengan (Supranto, 1995):
1. Nilai 𝑅2 tinggi tetapi tidak satupun atau sangat sedikit yang diduga signifikan secara
statistik.
2. F hitung tinggi (signifikan) akan tetapi tidak satupun koefisien yang signifikan
secara parsial.
Metode regresi linear berganda dapat digunakan untuk melihat pengaruh beberapa peubah
penjelas atau peubah bebas terhadap satu peubah tak bebas yaitu suatu variabel dependet
dipengaruhi oleh banyak variabel independent. Jadi Y dipengaruhi oleh X1, X2, X3, ... dst (ini
disebut juga explanatory variable). Sehingga model regresi linier berganda melibatkan lebih
dari satu variabel bebas.
Dimana dari hasil eksperimen, data yang diperoleh berbentuk seperti pada table sebagai
berikut:
 Sehingga modelnya:

Dengan
Y = variabel terikat (dependent)
Xi = variabel bebas / independent (i = 1, 2, 3, …, k)
0 = intersept
i = koefisien regresi (i = 1, 2, 3, …, k)
Model pendugaanya adalah

Misalkan model regresi dengan kasus 2 peubah bebas X1 dan X2 maka modelnya :

Sehingga setiap pengamatan akan memenuhi persamaan :

Uji Kecocokan Model

Koefisien determinasi merupakan besaran yang lazim digunakan untuk mengukur
kelayakan model (lack of fit test). Koefisien determinasi ini dikenal dengan besaran 𝑅2 .
Koefisien determinasi digunakan untuk mengetahui proporsi varians variabel tidak bebas
yang dijelaskan oleh variabel bebas secara bersama-sama atau secara verbal R2 mengukur
proporsi (bagian) atau persentase total variasi dalam Y yang dijelaskan oleh model regresi
(Gujarati, 1999).
𝑅2 diperoleh dengan rumus :
𝑅2 terletak antara 0 dan 1. Jika R2 = 1, berarti suatu kecocokan sempurna. Jika 𝑅2 = 0, berarti
tidak ada hubungan antara variabel tak bebas dan variabel bebas. Semakin besar nilai R2
maka model semakin baik model regresinya. Di dalam regresi berganda, koefisien
determinasi 𝑅2 tidak bisa dibandingkan oleh karena koefisien determinasi 𝑅2 akan
mengalami peningkatan sebanding dengan penambahan variable independent. Maka untuk
bisa membandingkannya digunakan 𝑅2 yang disesuaikan (adjusted 𝑅2 ) yang diperoleh dari:

Dengan:
k = banyaknya parameter penduga dalam model
n = banyaknya percobaan
Pengujian Parameter
Pengujian penduga parameter memiliki tujuan untuk mengetahui tingkat keberartian
penduga parameter yang digunakan melalui pengujian hipotesis. Jika hipotesis ditolak maka
dapat disimpulkan bahwa penduga parameter tersebut signifikan atau berarti.
Statistik Uji F
Pengujian parameter dengan statistik F menjelaskan semua variabel bebas yang
dimasukkan dalam model mempunyai pengaruh secara bersamasama terhadap variabel
terikat.
Hipotesis
H0 : 1 = 2 = … = k = 0 dengan k adalah peubah bebas
H1 : minimal ada i  0 dengan i = 1,2,...,k
Statisik Uji

Dengan
SSR = Sum Square Of Regresi
SSE = Sum Square Of Error
k = banyaknya parameter yang diduga
n = adalah banyaknya observasi
Kriteria Uji
H0 ditolak jika Fhitung > Ftabel α (k, n-k-1)
 H0 ditolak jika P value < α
Keputusan yang diharapkan adalah tolak H0 yang berarti peubah-peubah bebas yang
dimasukkan ke dalam model secara bersama-sama mempengaruhi peubah tidak bebas pada
tingkat kepercayaan (1-α) persen. Pengambilan keputusan dalam output SPSS juga dapat
dilihat dari tingkat signifikansinya p < α yang ditetapkan maka keputusannya adalah H0
ditolak.
Statistik Uji t
Uji t dilakukan untuk mengetahui keberartian dari masing-masing penduga parameter
secara parsial, apakah koefisien parsial yang diperoleh tersebut mempunyai pengaruh atau
tidak dengan asumsi bahwa variabel tidak bebas lainnya konstan.
Hipotesis
H0 : I = 0 (Tidak ada pengaruh dari peubah Xi terhadap Y)
H1 : i  0 (Ada pengaruh dari peubah Xi terhadap Y)
Statistik Uji

Dengan
bi = koefisien regresi ke-i
S (bi) = standar error dari koefisien regresi ke-i
Kriteria Uji
H0 ditolak jika thitung > t α/2(db= n-k-1)
H0 ditolak jika P value < α
Keputusan yang diharapkan adalah tolak H0 yang berarti ada pengaruh nyata peubah-
peubah bebas secara individu terhadap peubah tidak bebas pada tingkat kepercayaan (1- α)
persen.
Analisis Jalur
Analsis jalur merupakan pilihan lain dalam rangka mempelajari keterikatan sejumlah
peubah juga berpedoman pada dasar tidak untuk menemukan penyebabpenyebab,
melainkan merupakan metoda yang digunakan pada model kausal yang telah dirumuskan
peneliti atas dasar pertimbangan-pertimbangan teoritis dan pengetahuan tertentu (Sudjana,
1989).
Pembahasan dilakukan dari dua segi, ialah regresi dan korelasi, baik sederhana, ganda,
parsial maupun semi parsial. Berdasarkan adanya korelasi ini kita telah melihat berapa kuat
keterikatan yang ada antara peubah-peubah melalui jalur hubungan di antara mereka,
dengan tidak mengatakan atau menyimpulkan bahwa terjadi kausal di antara peubah-
peubah itu tanpa informasi tambahan yang dapat diandalkan. Penelitian dengan melakukan
eksperimen peneliti memanipulasi peubah-peubah yang diperhatikan dan kemudian
mempelajari kelakuan peubah tersebut mempengaruhi variasi peubah tak bebas.
Interpretasi Koefisien Korelasi
Pedoman Untuk Memberikan Interpretasi Koefisien Korelasi, Menurut Gulford.

Interval Koefisien Tingkat Hubungan

0,00 – 0,199 Sangat Rendah

0,20 – 0,399 Rendah
0,40 – 0,599 Sedang
0,60 – 0,799 Kuat
0,80 – 0,1000 Sangat Kuat
Penafsiran koefisien kolerasi menurut Gulford dapat dijelaskan dalam dua tanda. Nilai
kolerasi bisa bertanda positif dan bisa juga bertanda negatif. Menghitung seluruh koefisien
jalur variabel X secara parsial terhadap Y, diperoleh interpretasi kriteria korelasi menurut
Gulford.
Interpretasi kriteria korelasi menurut Gulford sebagai berikut:
a. Tanda positif menunjukan adanya hubungan yang selaras atau searah antara variabel
X dengan variabel Y (artinya semakin besar nilai variable X semakin besar juga nilai
variabel Y)
b. Tanda negatif menunjukan adanya hubungan yang terbalik antara variable dengan
variabel Y (artinya semakin besar nilai variabel X semakin kecil juga nilai variabel Y)
Digram Jalur
Digram Jalur secara grafis sangat membantu untuk melukiskan pola hubungan kausal
antar sejumlah peubah dan untuk model kausal kita perlu membedakan peubah-peubah ini
menjadi dua golongan ialah eksogenus dan endogenus. Peubah eksogenus adalah peubah
yang variabilitasnya diasumsikan terjadi oleh karena penyebab diluar model kausal. Peubah
endogenus adalah peubah yang variasinya terjelaskan oleh peubah eksogenus ataupun
peubah endogenus dalam sistem.
Jenis Data Dalam Analisis Multivariat
Skala data yang digunakan ada dua macam, yaitu data metrik dan data non metrik
(https://www.statistikian.com/).
Data metrik adalah data yang bersifat numerik atau berisi angka-angka dan dapat
dilakukan perhitungan matematis di dalamnya, misal nilai ujian, tingkat IQ, berat badan, dll.
Data metrik disebut juga dengan data numerik atau data kuantitatif. Dalam hal ini data metrik
ada 2 macam, yaitu data interval dan data rasio. Untuk lebih jelasnya pelajari artikel kami
tentang skala data.
 Sedangkan data non metrik adalah data non numerik atau disebut juga data kualitatif
atau data kategorik. Ada dua macam jenis data non metrik ini, yaitu data nominal dan data
ordinal. Sekali lagi, agar anda lebih paham lagi maka untuk lebih jelasnya silahkan pelajari
artikel kami tentang skala data.
Klasifikasi Analisis Multivariat
Klasifikasi analisis multivariat ada tiga macam, yaitu yang pertama adalah teknik
dependensi atau istilah english versionnya adalah dependent technique. Yang kedua adalah
teknik interdependensi atau english versionnya adalah interdependent technique. Dan yang
ketiga atau yang terakhir adalah dan model struktural atau english versionnya disebut
dengan istilah structural model.
Para pakar ada yang menyebutkan bahwa Analisis Multivariat hanya dikelompokkan
ke dalam 2 klasifikasi saja. Yaitu analisis dependensi dan analisis interdependensi. Menurut
statistikian, tidak ada masalah tentang perbedaan ini, sebab para pakar yang berpendapat
bahwa ada dua klasifikasi, telah memasukkan Model Struktural atau struktural equation
modelling sebagai bagian dari klasifikasi analisis dependensi.
Pengertian Variat
Titik penyusun bangunan atau pondasi dari Analisis Multivariat adalah variat itu sendiri.
Variat adalah suatu kombinasi linear dari variabel-variabel yang memiliki bobot empiris
yang telah ditentukan.
Suatu variate dari sejumlah n variabel yang terbobot (X1 sampai dengan Xn) dapat
dinyatakan secara matematis adalah sebagai berikut: nilai variate = w1X1+ w2X2+
w3X3+…+wnXn.
Teknik Dependensi Analisis Multivariat
Teknik Dependensi Analisis Multivariat adalah suatu metode Analisis Multivariat
dimana variabel atau kumpulan variabel yang diidentifikasi sebagai variabel dependen atau
variabel terikat dapat diprediksi atau dijelaskan oleh variabel lain yang merupakan variabel
independen atau variabel bebas.
Analisis dependensi berfungsi untuk menerangkan atau memprediksi variabel terikat
dengan menggunakan dua atau lebih variabel bebas.
Sehingga berdasarkan pengertian di atas, maka analisis yang termasuk di dalam
klasifikasi analisis dependensi antara lain: analisis regresi linear berganda atau multiple
linear regression, analisis diskriminan atau discriminant analysis, analisis varian
multivariate (MANOVA), dan analisis korelasi kanonikal atau canonical correlations.
Jenis-Jenis Analisis Dependensi
Teknik Dependen
Bila di dalam analisis multivariat bisa dibedakan antara variabel dependen dan variabel
independen maka dapat digunakan teknik dependen. Ada beberapa jenis analisis metode
dependen di dalam analisis multivariat. Pengelompokkannya didasarkan oleh dua hal yaitu;
 1. Jumlah variabel dependen
2. Jenis pengukuran data terhadap variabel baik dependen maupun independen.
Berdasarkan jumlah variabel dependen, maka analisis multivariat dikelompokkan
apakah mempunyai satu variabel dependen, dua variabel dependen, atau beberapa variabel
dependen. Selanjutnya, setelah diketahui jumlah variabel dependen maka dilihat jenis data
variabel dependen maupun data variabel independennya.
Berikut ini tampilan dari jenis-jenis analisis dependensi dalam bentuk tabel beserta skala
data dan jumlah variabel yang dianalisis:
Variabel Dependen
Jenis Jenis Variabel
Jenis Analisis Multivariat Jumlah
Variabel Independen
Variabel
Dependen
1. Regresi 1 Metrik Metrik/Non Metrik
2. Regresi Logistik 1 Non Metrik Metrik/Non Metrik
3. Analisis Diskriminan 1 Non Metrik Metrik/Non Metrik
4. Analisis Konjoin 1 Non Metrik Non Metrik
5. Analisis Kanonikal >1 Metrik Metrik
6. MANOVA >1 Metrik Non Metrik
Dari tabel diatas, dapat disimpulkan bahwa:
Regresi linear dan regresi logistik digunakan jika jumlah variabel dependen ada 1.
Perbedaannya adalah, regresi linear digunakan jika skala data variabel terikat adalah metrik.
Sedangkan regresi logistik, skala data variabel terikat adalah non metrik.
Analisis diskriminan juga melibatkan satu variabel terikat, namun sama halnya dengan
regresi logistik, skala data variabel terikat adalah data non metrik. Analisis diskriminan lebih
dekat dengan regresi linear dari pada regresi logistik, sebab analisis diskriminan
mewajibkan variabel bebas yang berskala data numerik haruslah berdistribusi normal.
Perbedaan Analisis Konjoin dengan Regresi Logistik
Sedangkan regresi logistik tidak mewajibkan asumsi tersebut. Analisis konjoin hampir
sama dengan analisis diskriminan, namun pada analisis konjoin, semua data yang digunakan
adalah data non metrik.
Analisis Kanonikal lebih mirip dengan analisis diskriminan, hanya saja jumlah variabel
terikat yang digunakan lebih dari satu. Sedangkan MANOVA lebih mirip dengan analisis
kanonikal, dimana perbedannya adalah pada MANOVA atau yang biasa disebut dengan
Multivariate Analysis of Variance menggunakan data non metrik pada variabel bebas.
a. Multiple Linear Regression atau Regresi Linear Berganda
Regresi Linear Berganda adalah metode analisis ini bertujuan menguji hubungan
antara dua variabel bebas atau lebih dan satu variabel terikat.
b. Multiple Discriminant Analysis atau Analisis Diskriminan Berganda
Analisis Diskriminan Berganda adalah suatu teknik statistika yang bertujuan untuk
memprediksi atau meramalkan probabilitas dari objek yang termasuk ke dalam dua
 atau lebih kategori mutual yang eksklusif pada variabel terikat yang berdasarkan pada
beberapa variabel bebas.
Asumsi dari analisis Diskriminan Berganda adalah adalah variabel bebas harus berupa
data metrik dan berdistribusi normal.
c. Multiple Logit Regression atau Multiple Logistic Regression atau Regresi logistik
Berganda
Regresi logistik Berganda adalah model regresi dimana satu variabel terikat non metrik
yang diprediksi atau diramalkan oleh beberapa variabel bebas berskala data metrik
atau non metrik. Teknik ini hampir sama dengan analisis diksriminan, hanya saja dalam
perhitungannya menggunakan prinsip perhitungan regresi seperti halnya regresi
linear.
d. Multivariate Analysis of Variance (MANOVA)
Suatu teknik statistik yang menyediakan suatu uji signifikansi simultan perbedaan rata-
rata antara kelompok-kelompok untuk dua atau lebih variabel dependen.
e. Conjoint Analysis atau Analisis Konjoin
Analisis Konjoin adalah sebuah teknik statistik yang bertujuan untuk memahami
preferensi responden terhadap suatu produk atau jasa. Analisis ini juga dikenal dengan
istilah english versionnya sebagai trade off analysis.
f. Canonical Correlation atau Korelasi Kanonikal
Korelasi Kanonikal adalah bentuk pengembangan dari analisis regresi linear berganda.
Tujuan dari analisis korelasi kanonikal adalah untuk mengkorelasikan secara simultan
beberapa variabel terikat dengan beberapa variabel bebas.
Perbedaannya dengan regresi linear berganda adalah: regresi linear berganda hanya
menggunakan satu variabel terikat dengan beberapa variabel bebas. Sedangkan pada
korelasi kanonikal ini menggunakan beberapa variabel terikat yang akan dikorelasikan
dengan variabel bebas.
Teknik Interdependensi Analisis Multivariat
Teknik Interdependensi Analisis Multivariat adalah Analisis Multivariat yang
melibatkan analisis secara serentak dari semua variabel dalam satu kumpulan, tanpa
membedakan antara variabel yang terikat ataupun variabel yang bebas.
Teknik analisis interdependensi berguna dalam memberikan makna terhadap sekelompok
variabel atau membuat kelompok kelompok secara bersama-sama.
Jenis Analisis Interdependensi
Teknik Interdependen
Dalam banyak kasus, seringkali dialami kesulitan dalam memisahkan antara variabel
dependen dan independennya. Dengan kata lain, semua variabel adalah independen. Tujuan
dari analisis interdependen adalah menganalisis mengapa dan bagaimana variabel-variabel
yang ada saling berhubungan. Karena tidak bisa dipisahkan mana variabel dependen dan
mana variabel independen, maka pembagian metode interdependen didasarkan pada jenis
variabel yang ada yaitu apakah metrik atau non metrik.
Jika jenis variabel adalah metrik maka ada tiga jenis analisis yaitu:
1. Analisis faktor
2. Analisis kluster
3. Skala multidimensi.
Sedangkan bila jenis variabel adalah variabel non metrik maka ada satu analisis yaitu
analisis koresponden.
Berikut ini tampilan dari jenis analisis interdependensi menggunakan tabel:
Jenis Analisis Jenis Variabel
1. Analisis Faktor Metrik
2. Analisis Kluster Metrik
3. Analisis Koresponden Metrik
4. Analisis Skala Multidimensional Non Metrik
a. Factor Analysis atau Analisis Faktor
Analisis faktor adalah sebuah teknik statistika untuk menganalisis struktur dari
hubungan timbal balik diantara sejumlah besar variabel yang bertujuan untuk
menentukan kumpulan faktor dari common underlying dimensions.
Dalam analisis faktor ada dua jenis analisis, yaitu Principal Components Analysis atau
PCA dan Common Factor Analysis.
b. Cluster Analysis atau Analisis Kluster
Analisis Kluster adalah sebuah teknik statistika yang bertujuan untuk
mengelompokkan sekumpulan objek sehingga setiap objek tersebut mirip dengan
objek yang lainnya dalam suatu gugusan atau kluster dan berbeda dari objek yang
berada pada semua gugusan lainnya.
Dalam analisis kluster, ada dua jenis analisis, yaitu analisis kluster hirarki dan analisis
kluster non hirarki.
c. Correspondence Analysis atau Analisis Korespondensi
Analisis Korespondensi adalah suatu teknik statistika yang menggunakan data-data
non metrik dan bertujuan untuk melakukan evaluasi terhadap hubungan linear atau
hubungan non-linear. Dimana langkah tersebut sebagai bentuk usaha dalam
mengembangkan percptual map yang menggambarkan asosiasi atau hubungan
antara objek dengan seperangkat karakteristik deskriptif dari objek tersebut.
d. Multidimensional Scaling atau Penskalaan Multi Dimensi
Multidimensional Scaling adalah sebuah teknik statistika yang bertujuan dalam
mengukur objek pada skala multidimensi yang berdasarkan pada keputusan dari
responden terhadap kesamaan objek.
Teknik Model Struktural Atau Structural Model Analisis Multivariat
Teknik yang terakhir ini, yaitu Teknik Model Struktural adalah sebuah teknik yang yang
mencoba menganalisis hubungan secara simultan variabel dependen dan independen secara
bersamaan. Model seperti ini dikenal dengan istlah model persamaan struktural atau english
versionnya adalah Structural Equation Model dan biasa disingkat dengan SEM.
Kelebihan SEM adalah dapat meneliti hubungan antara beberapa kelompok variabel
secara bersamaan atau serentak. Baik variabel bebas maupun variabel terikat. Bahkan
metode ini juga dapat menggabungkan adanya variabel laten. Variabel laten dalam hal ini
adalah variabel yang sebenarnya keberadaannya tidak dapat diukur secara langsung ke
dalam analisis.
Hakikat Korelasi Ganda
Korelasi ganda atau (multiple atau jamak) berkenaan dengan hubungan antara tiga
variable atau lebih, dimana sekurang-kurangnya dua variable bebas secara bersama-sama
dihubungkan dengan variable terikatnya.
Korelasi ganda ialah hubungan antara dua variable bebas atau lebih yang secara bersama-
sama dihubungkan dengan variable terikatnya.
Guna korelasi ganda
Korelasi digunakan untuk mencari hubungan antara dua variable bebas atau lebih yang
secara bersama-sama dihubungkan dengan variable terikatnya (Y), sehingga akhirnya dapat
diketahui besarnya sumbangan seluruh variable bebas yang menjadi objek penelitian
terhadap variable terikatnya.
Seperti halnya dengan korelasi tunggal, maka sebelum korelasi ganda dihitung perlu
dibuktikan atau dipenuhi asumsi yang berlaku yaitu seperti halnya pada korelasi tunggal.
Dalam penelitian, korelasi ganda biasanya dilakukan setelah korelasi tunggal dianalisis
terlebih dahulu sehingga ditemukan nilai-nilai r. karena korelasi ganda merupakan
kelanjutan dari analisis korelasi tunggal, maka semua asumsi yang diperlukan pada analisis
korelasi ganda tidak perlu lagi disebutkan atau diulang-ulang lagi.
Analisis Korelasi Parsial (Parsial)
Hakikat Korelasi Parsial
Pada korelasi tunggal mencari kuatnya hubungan antara variabel X dan Y dapat juga
disebut sebagai korelasi jenjang nihil. Sebutan jenjang nihil memberikan pengertian bahwa
dalam korelasi itu tidak ada veriabel lain yang dikontrol.
Korelasi jenjang pertama artinya dalam korelasi itu terdapat satu variabel yang
dikontrol. Korelasi jenjang kedua artinya dalam korelasi itu terdapat dua variabel yang
dikontrol.
Guna Korelasi Parsial
Guna korelasi parsial ialah untuk menemukan nilai korelasi murni yang terlepas dari
pengaruh-pengaruh variabel lainnya. Sebagai contoh: apabila kita bermaksud untuk meneliti
hubungan antara dua variabel yang diasumsikan bahwa seluruh atau sebagian dipengaruhi
oleh variabel ketiga, maka dengan menggunakan korelasi parsial ini kita dapat mengontrol
pengaruh variabel ketiga tadi yaitu dengan menjadikan variabel ketiga menjadi tetap
(constant).
 KESIMPULAN
Analisis multivariat merupakan salah satu analisis statistika yang berkaitan dengan
analisis banyak variabel. Dalam analisis statistika, terdapat pengelompokkan terhadap
jumlah variabel yang dianalisis. Melalui pengelompokkan tersebut, terbagi menjadi univariat
(univariate), bivariat (bivariate), dan multivariat (multivariate).
1. Berdasarkan beberapa definisi Analisis Multivariat di atas, maka penulis menyimpulkan
bahwa yang dimaksud dengan Analisis Multivariat adalah suatu analisis yang melibatkan
variabel dalam jumlah lebih dari atau sama dengan 3 variabel.
Dimana minimal ada satu variabel terikat dan lebih dari satu variabel bebas serta terdapat
korelasi atau keterikatan antara satu variabel dengan variabel lainnya. Maka dapat
diartikan bahwa Analisis Multivariat juga merupakan analisis yang melibatkan cara
perhitungan yang kompleks. tujuannya adalah agar dapat memahami struktur data
berdimensi tinggi dan saling terkait satu sama lain.
2. Perlu dipahami dan diperhatikan, bahwa pengertian Analisis Multivariat benar-benar
berbeda dengan analisis multiple atau disebut juga analisis multivariabel.
3. Ada dua hipotesis yang diajukan peneliti yaitu hipotesis nol (H0) dan hipotesis alternatif
(Ha). Hipotesis nol ini dianggap benar sampai akhirnya bisa dibuktkan salah berdasarkan
data sampel. Di lain pihak hipotesis alternatif merupakan lawan hipotesis nol. Hipotesis
alternatif harus benar ketika hipotesis nol mampu dibuktikan salah.
4. Sebagai alat analisis statistika yang bersifat general, analisis multivariat terdiri dari
beberapa jenis. Jenis analisis multivariat dapat dikelompokkan ke dalam teknik dependen
(dependent technique), teknik interdependen (interdependent technique), dan model
struktural (structural model).
5. Pembahasan dilakukan dari dua segi, ialah regresi dan korelasi, baik sederhana, ganda,
parsial maupun semi parsial. Berdasarkan adanya korelasi ini kita telah melihat berapa
kuat keterikatan yang ada antara peubah-peubah melalui jalur hubungan di antara
mereka, dengan tidak mengatakan atau menyimpulkan bahwa terjadi kausal di antara
peubah-peubah itu tanpa informasi tambahan yang dapat diandalkan. Penelitian dengan
melakukan eksperimen peneliti memanipulasi peubah-peubah yang diperhatikan dan
kemudian mempelajari kelakuan peubah tersebut mempengaruhi variasi peubah tak
bebas.
6. Korelasi ganda atau (multiple atau jamak) berkenaan dengan hubungan antara tiga
variable atau lebih, dimana sekurang-kurangnya dua variable bebas secara bersama-sama
dihubungkan dengan variable terikatnya
7. Korelasi digunakan untuk mencari hubungan antara dua variable bebas atau lebih yang
secara bersama-sama dihubungkan dengan variable terikatnya (Y), sehingga akhirnya
dapat diketahui besarnya sumbangan seluruh variable bebas yang menjadi objek
penelitian terhadap variable terikatnya.
8. Pada korelasi tunggal mencari kuatnya hubungan antara variabel X dan Y dapat juga
disebut sebagai korelasi jenjang nihil. Sebutan jenjang nihil memberikan pengertian
bahwa dalam korelasi itu tidak ada veriabel lain yang dikontrol.
Guna korelasi parsial ialah untuk menemukan nilai korelasi murni yang terlepas dari
pengaruh-pengaruh variabel lainnya.
 DAFTAR PUSTAKA
Gujarati, D. (1995). Ekonometrika Dasar. Jakarta: Penerbit Erlangga.
J. Supranto. (1995). Ekonometrika, Buku Dua, Jakarta: LPFE-UI.
N.R Drapper dan Smith (1992). Analisa Regresi Terapan. Jakarta: Penerbit Gramedia
Pustaka Umum.
Santoso, S. (2003). Statistik Multivariat Edisi Revisi. Jakarta: PT Elex Media Komputindo.
Simamora, B. (2005). Analisis multivariat pemasaran. Gramedia Pustaka Utama.
Sudjana. (1989). Metoda Statistika Edisi ke 5. Bandung: Tarsito.
Widarjono, A. (2005). Ekonometrika Teori dan Aplikasi Untuk Ekonomi dan Bisinis. Edisi
Pertama. Yogyakarta: Ekonisia.
https://www.statistikian.com/2016/11/analisis-multivariat.html
http://nurainimeraihmimpi.blogspot.com/2014/12/makalah-statistik-inferensial
analisis.html
https://ruthpalupi.wordpress.com/2012/04/02/metode-analisis-multivariat/