Selasa, 27 November 2012
Pendidikan Sepanjang Hayat
NAMA : PUTRI HANDAYANI
NIM :06111011029
PRODI : PENDIDIKAN FISIKA
PENDIDIKAN
SEPANJANG HAYAT
Bahwa manusia adalah makhluk yang tumbuh dan berkembang. Ia ingin
mencapai suatu kehidupan yang optimal. Selama manusia barusaha untuk
meningkatkan kehidupannya, baik dalam meningkatkan dan mengembangkan
pengetahuan, kepribadian, maupun keterampilannya, secara sadar atau tidak
sadar, maka selama itulah pendidikan masih berjalan terus.
Pendidikan sepanjang hayat merupakan asas pendidikan yang cocok bagi
orang-orang yang hidup dalam dunia transformasi, dan di dalam masyarakat yang
saling mempengaruhi seperti saat zaman globalisasi sekarang ini. Setiap manusia
dituntut untuk menyesuaikan dirinya secara terus menerus dengan situasi baru.
Pendidikan sepanjang hayat merupakan jawaban terhadap kritik-kritik
yang dilontarkan pada sekolah. Sistem sekolah secara tradisional mengalami
kesukaran dalam menyesuaikan diri dengan perubahan kehidupan yang sangat cepat
dalam abad terakhir ini, dan tidak dapat memenuhi kebutuhan-kebutuhan atau
tutuntutan manusia yang makin meningkat. Pendidikan di sekolah hanya terbatas
pada tingkat pendidikan dari sejak kanak-kanak sampai dewasa, tidak akan
memenuhi persyaratan-persyaratan yang dibutuhkan dunia yang berkembang sangat
pesat. Dunia yang selalu berubah ini membutuhkan suatu sistem yang fleksibel.
Pendidikan harus tetap bergerak dan mengenal inovasi secara terus menerus.
Menurut konsep pendidikan sepanjang hayat, kegiatan-kegiatan pendidikan
dianggap sebagai suatu keseluruhan. Seluruh sektor pendidikan merupakan suatu
sistem yang terpadu. Konsep ini harus disesuaikan dengan kenyataan serta
kebutuhan masyarakat yang bersangkutan. Suatu masyarakat yang telah maju akan
memiliki kebutuhan yang berbeda dengan masyarakat yang belum maju. Apabila sebahagian
besar masyarakat suatu bangsa masih yang banyak buta huruf, maka upaya
pemeberantasan buta huruf di kalangan orang dewasa mendapat prioritas dalam
sistem pendidikan sepanjang hayat. Tetapi, di negara industri yang telah maju
pesat, masalah bagaimana mengisi waktu senggang akan memperoleh perhatian dalam
sistem ini.
Pendidikan bukan hanya berlangsung di sekolah. Pendidikan akan mulai
segera setelah anak lahir dan akan berlangsung sampai manusia meninggal dunia,
sepanjang ia mampu menerima pengaruh-pengaruh. Oleh karena itu, proses
pendidikan akan berlangsung dalam keluarga, sekolah dan masyarakat.
Keluarga merupakan lingkungan pertama dan utama bagi proses
perkembangan seorang individu sekaligus merupakan peletak dasar kepribadian
anak. Pendidikan anak diperoleh terutama melalui interaksi antara orang tua –
anak. Dalam berinteraksi dengan anaknya, orang tua akan menunjukkan sikap dan
perlakuan tertentu sebagai perwujudan pendidikan terhadap anaknya.
Pendidikan di sekolah merupakan kelanjutan dalam keluarga. Sekolah
merupakan lembaga tempat dimana terjadi proses sosialisasi yang kedua setelah
keluarga, sehingga mempengaruhi pribadi anak dan perkembangan sosialnya.
Sekolah diselenggarakan secara formal. Di sekolah anak akan belajar apa yang
ada di dalam kehidupan, dengan kata lain sekolah harus mencerminkan kehidupan
sekelilingnya. Oleh karena itu, sekolah tidak boleh dipisahkan dari kehidupan
dan kebutuhan masyarakat sesuai dengan perkembangan budayanya. Dalam kehidupan
modern seperti saat ini, sekolah merupakan suatu keharusan, karena
tuntutan-tuntutan yang diperlukan bagi perkembangan anak sudah tidak
memungkinkan akan dapat dilayani oleh keluarga. Materi yang diberikan di
sekolah berhubungan langsung dengan pengembangan pribadi anak, berisikan nilai
moral dan agama, berhubungan langsung dengan pengembangan sains dan teknologi,
serta pengembangan kecakapan-kecakapan tertentuyang langsung dapat dirasakan
dalam pengisian tenaga kerja.
Pendidikan di masyarakat merupakan bentuk pendidikan yang diselenggarakan
di luar keluarga dan sekolah. Bentuk pendidikan ini menekankan pada pemerolehan
pengetahuan dan keterampilan khusus serta praktis yang secara langsung
bermanfaat dalam kehidupan di masyarakat. Phillip H.Coombs (Uyoh Sadulloh,
1994:65) mengemukakan beberapa bentuk pendidikan di masyarakat, antara lain :
(1) program persamaan bagi mereka yang tidak pernah bersekolah atau putus
sekolah; (2) program pemberantasan buta huruf; (3) penitipan bayi dan penitipan
anak pra sekolah; (4) kelompok pemuda tani; (5) perkumpulan olah raga dan
rekreasi; dan (6) kursus-kursus keterampilan.
teori analisis multivariat
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
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.
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.
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 angkaStandard 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 apakah terdapat
perbedaan signifikan secara statistik pada beberapa variable yang terjadi
secara serentak antara dua tingkatan dalam satu variabel
|
2 atau lebih
|
1
|
Interval
|
Nominal
|
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 simpanganbaku 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.
Langganan:
Postingan (Atom)
Mengenai Saya
- NISWATI
- Jl. Kelapa gading 4 Blok 4b no.129 .Perumnas Talang Kelapa palembng km 10 TELP 081216808325 081272143642
o'clock
My tweet
https://twitter.com/putriihandyani