Analisis bivariat merupakan salah satu jenis analisis yang digunakan sesuai dengan kondisi jumlah variabel. Analisis yang terkesan sederhana ini mampu menghasilkan pengujian yang sangat bermanfaat.
Secara umum, berdasarkan jenis variabel, terdapat 3 jenis.
- Analisis univariat (1 variabel)
- Analisis bivariat (2 variabel)
- Analisis multivariat (lebih dari 2 variabel)
Mengetahui analisis bivariat dengan lengkap akan memudahkan anda dalam menentukan jenis analisis yang akurat.
Apa itu Analisis Bivariat
Analisis bivariat merupakan analisis yang dilakukan untuk mengetahui hubungan antara 2 variabel. Dalam analisis ini, dua pengukuran dilakukan untuk masing-masing observasi.
Dalam analisis bivariat, sampel yang digunakan bisa saja berpasangan atau masing-masing independen dengan perlakuan tersendiri.
Secara umum, dalam analisis bivariat, variabel yang digunakan bisa saja berhubungan atau berdiri sendiri (independen). Saling berhubungan artinya sampel yang sama diberikan 2 pengukuran berbeda.
Sedangkan, independen maksudnya adalah pengukuran dilakukan pada kedua kelompok sampel yang berbeda.
Jenis Analisis Bivariat
I. Analisis Deskriptif
Pada analisis deskriptif, analisis bivariat bisa berlaku pada hampir seluruh visualisasi data. Jenis tampilan visualisasi seperti grafik batang, grafik garis, grafik column, dll masih bisa digunakan untuk analisis bivariat.
Salah satu visualisasi data menarik yang biasa dilakukan dengan analisis bivariat adalah scatterplot.
Scatterplot merupakan visualisasi data dalam bentuk titik-titik yang ditampilkan dalam sumbu x dan ya. Sumbu x dan y mewakili nilai dari masing-masing variabel.
Dengan menggunakan scatterplot, kita bisa melihat pola hubungan antara 2 variabel. Hubungan yang terbentuk bisa jadi linier, eksponensial, seasonal, dll sesuai dengan kondisi data.
Jangan lupa, scatterplot hanya alat bantu untuk mendeteksi pola hubungan, bukan untuk menarik kesimpulan terhadap pola hubungan antara 2 variabel.
II. Analisis Inferensial
Dengan menggunakan analisis inferensial, anda bisa mengambil kesimpulan yang valid dalam pengujian 2 variabel.
Berbicara analisis inferensial, ada banyak jenis uji statistik yang bisa anda lakukan dengan 2 variabel.
Sebelum lebih jauh, ada baiknya anda memahami skala dan pengertian data sehingga lebih mudah dalam mengidentifikasi analisis nantinya,
Berikut sedikit daftar jenis analisis uji yang bisa anda lakukan:
1. Uji McNemar
Uji McNEmar merupakan uji bivariat yang digunakan untuk menguji sebelum dan sesudah perlakuan (Pre-Test dan Post-Test) dimana setiap individu digunakan sebagai pengontrol dirinya sendiri.
Uji ini dilakukan untuk pengukuran data nominal dan ordinal.
Uji ini digunakan untuk menguji keefektifan suatu perlakukan tertentu terhadap kondisi sampel.
Contohnya, uji ini digunakan untuk mengetahui efek perpindahan seseorang dari desa ke kota terhadap preferensi politik.
2. Uji Sign
Uji Sign digunakan untuk mengetahui ada tidaknya perbedaan dari data ordinal yang diperoleh dari sampel yang sama dan berpasangan.
Yang perlu diingat dari uji Sign adalah uji ini hanya ampu mengetahui ada tidakknya perbedaan, bukan besar kecilnya perbedaan tersebut.
Uji ini dilakukan dengan memberi tanda positf atau negatif dari perbedaan antar pasangan data.
Uji Sign bisa digunakan untuk mengidentifikasi kecenderungan seseorang terhadap 2 buah brand poduk.
Skala data yang digunakan pada uji ini adalah ordinal
3. Uji Wilcoxon Matched Pairs
Uji Wilcoxon merupakan uji yang dilakukan untuk mengetahui apakah terdapat hubungan antara dua variabel atau tidak.
Skala data yang digunakan pada uji ini adalah ordinal.
4. Uji-t Berpasangan
Uji-t Berpasangan merupakan uji dua variabel yang dilakukan untuk mengetahui apakah terdapat perbedaan rata-rata yang signifikan atau tidak.
Contoh penggunaan uji-t berpasangan adalah pengujian apakah terdapat perbedaan rata-rata yang signifikan antara nilai matematika dan nilai kesenian siswa kelas A.
5. Uji Fisher Exact Probability
Uji Fisher Exact Probability merupakan pengujian yang dilakukan untuk mengetahui signfikanasi dari hipotesis komparatif pada dua sampel kecil independen.
Uji ini digunakan bila kondisi data bersifat nominal dan ordinal.
Dalam perhitungannya, data dalam pengujian ini dikelompokkan menjadi 2 kelompok independen. Misalnya, pria dan wanita, lalu kelompok miskin dan tidak miskin.
Nantinya, perhitungan ini akan dikelompokkan dalam table kontingensi 2×2.
6. Uji Chi-Square 2 Sampel
Uji Chi-Square 2 sampel digunakan untuk mengetahui apakah terdapat hubungan antara 2 variabel atau tidak.
Pada uji chi-square 2 sampel, skala data yang digunakan adalah skala nominal.
7. Uji Median
Uji ini digunakan untuk menguji hipotesis komparatif dari dua sampel independen. Pada pengujian ini, skala data yang digunakan adalah nominal dan ordinal.
Pengujian ini didasarkan atas median sampel yang diambil secara acak.
Skala data yang digunakan pada uji ini adalah nominal dan ordinal.
8. Uji Mann-Whitney U-Test
Uji Mann-Whitney U-Test digunakan untuk mengetahui signifikansi perbedaan dari dua populasi.
Pada uji ini, skala data yang digunakan adalah ordinal.
Contoh pengujian Man-Whitney U-Test adalah seorang guru ingin mengetahui apakah siswa dikelasnya memang memiliki bakat dalam pelajaran matematik atau lebih didominasi karena bantuan les.
9. Uji Kolmogorov Smirnov
Uji Kolmogorov Smirnov merupakan uji yang dilakukan untuk mengetahui apakah dua variabel memiliki distribusi yang sama atau tidak.
Uji ini biasa digunakan untuk membuktikan apakah dua variabel yang digunakan berasal dari distribusi yang sama sebelum dilakukan analisis lanjutan.
Skala data yang digunakan pada uji ini adalah interval dan rasio
10. Uji Wald-Waldovitz
Uji Wald-Waldovitz merupakan uji yang dilakukan apakah dua variabel yang digunakan berasal dari populasi yang sama atau tidak.
Dalam uji ini, setidaknya data yang digunakan memiliki skala ordinal.
11. Uji t–test Independen
Uji-t independen merupakan uji yang dilakukan apakah 2 variabel yang berasal dari kelompok yang berbeda memiliki rata-rata yang sama atau tidak.
Dalam uji ini, skala data yang digunakan adalah interval dan rasio.
Contohnya, seorang peneliti ingin membuktikan apakah nilai rata-rata ujian akhir sekolah favorit berbeda signifikan dengan sekolah non favorit.
12. Analisis Korelasi
Analisis korelasi merupakan analisis yang digunakan untuk mengetahui hubungan antara 2 variabel. Dengan analisis korelasi, kita bisa mengetahui apakah 2 variabel memiliki hubungan yang positif ataupun negatif.
Penting untuk diingat bahwa korelasi hanyalah analisis yang menjelaskan seberapa kuat hubungan antara 2 variabel.
Analisis korelasi tidak bisa dijadikan dasar untuk menyimpulkan hubungan sebab akibat (kausalitas) antara 2 variabel.
Contoh penggunaan analisis korelasi adalah hubungan antara tinggi badan dan berat badan siswa.
13. Analisis Regresi Linier Sederhana
Analisis regresi linier sederhana merupakan analisis yang digunakan untuk mengetahui pengaruh dari suatu variabel terhadap variabel lain.
Berbeda dengan analisis korelasi, analisis regresi linier sederhana bertujuan untuk menjelaskan hubungan sebab akibat (kausalitas) antara variavel independen dengan variaben dependen.
Dengan analisis ini, kita bisa menyimpulkan seberapa jauh suatu variabel memengaruhi variabel lainnya.
Contoh Penggunaan Analisis Bivariat
Seorang peneliti ingin mengetahui bagaimana hubungan antara berat badan dan tinggi badan dari siswa sekolah. Berdasarkan sampel dari 60 siswa, berikut data yang didapat:
Berdasarkan data di atas, lakukan analisis deskriptif dan inferensial.
Jawab:
Berdasarkan data di atas, terdapat beberapa hal yang bisa kita lakukan sebagai identifikasi awal untuk melakukan analisis lanjutan:
- Data berjumlah 30, artinya, berdasarkan teorema limit pusat, kita bisa mengasumsikan bahwa data sudah berdistribusi normal.
- Data yang digunakan memiliki skala rasio.
- Terdapat 1 kelompok sampel dengan 2 jenis data berbeda (berpasangan)
Berdasarkan hasil identifikasi di atas, kita bisa melakukan analisis deskriptif dalam bentuk distribusi frekuensi, visualisasi data dalam bentuk scatter plot, dan analisis inferensial dengan menggunakan uji-t berpasangan.
Untuk penggunaan scatterplot, anda bisa mengikuti langkah berikut:
1. Graphs > Legacy Dialog > Scatter Dot
2. Klik simple scatter > define
3. Masukkan variabel yang akan dibuat scatterplot pada sumbu x dan y
4. Pada menu titles, ketik judul scatterplot yang kita inginkan, klik continue
5. Klik Ok
Berikut hasil diagram scatter plot berdasarkan data yang kita gunakan.
Sepintas, terlihat ada hubungan linier antara berat badan dan tinggi badan siswa. Semakin tinggi seorang siswa, semakin naik berat badannya.
Untuk memastikan hal tersebut, kita bisa menggunakan analisis korelasi dan melihat seberapa kuat hubungan antara tinggi badan dan berat badan siswa.
Untuk analisis korelasi, saya tidak akan terlalu membahas tutorialnya. Anda bisa membaca dengan sangat lengkap pada artikel analisis korelasi yang sudah saya tulis di blog ini.
Berdasarkan hasil analisis korelasi, terlihat bahwa nilai r=0.873. Bisa disimpulkan bahwa terdapat hubungan linier positif yang kuat antara tinggi badan dan berat badan siswa. Semakin tinggi seorang siswa, semakin besar nilai berat badan yang dimiliki.
Untuk memastikan apakah benar tinggi badan memengaruhi berat badan siswa, kita bisa menggunakan analisis regresi linier sederhana.
Berikut tahapan penggunaan analisis regresi linier sederhana pada SPSS
1. Analyze > Regression > Linear
2. Input variabel yang akan kita analisis. Dalam kasus ini, berat badan adalah variabel dependen sedangkan tinggi badan adalah variabel independen
3. Klik Ok
4. Berikut output yang kita dapatkan
Berdasarkan hasil pengujian ada 3 hal utama yang kita simpulkan:
1. Tinggi badan memengaruhi berat badan siswa sebesar 76.2 persen. Hal ini terlihat dari nilai r square sebesar 0.762.
2. Model yang terbentuk berdasarkan hasil analisis di atas adalah y = -156.598 + 1.302 X
Berdasarkan persamaan tersebut, bisa disimpulkan bahwa setiap penambahan tinggi badan siswa sebesar 1 cm, berat badan siswa akan naik sebesar 1,302 kg.
3. Berdasarkan hasil uji signifikansi (huruf C) terlihat nilai p-value lebih kecil dari alpha (0.05). Hal ini membuktikan bahwa terdapat hubungan positif yang signfikan antara tinggi badan dan berat badan. Semakin tinggi berat badan seorang siswa, semakin naik berat seorang siswa.
Penutup
Analisis bivariat merupakan analisis yang dilakukan terhadap 2 variabel.
Dalam analisis bivariat, seorang peneliti bisa menerapkan analisis deskriptif dan analisis inferensial.
Analisis deskriptif yang menarik untuk digunakan dalam 2 variabel adalah scatterplot. Untuk analisis inferensial, beragam jenis uji bisa dilakukan tergantung jenis dan skala data.
Dengan mengetahui ragam analisis bivariat, anda bisa menghasilkan sebuah kesimpulan yang sistematis dan valid.
Hybrid government employee and internet marketing enthusiast. Blog ini berisi pengalaman-pengalaman saya dalam dunia birokrasi, statistik, internet marketing, bisnis online dan juga hal-hal menarik lainnya.