Analisis Bivariat adalah analisis secara simultan dari dua variabel. Hal ini biasanya dilakukan untuk melihat apakah satu variabel, seperti jenis kelamin, adalah terkait dengan variabel lain, mungkin sikap terhadap pria maupun wanita kesetaraan. Analisis bivariate terdiri atas metode-metode statistik inferensial yangdigunakan untuk menganalisis data dua variabel penelitian. Penelitian terhadap dua variabel biasanya mempunyai tujuan untuk mendiskripsikan distribusi data, meguji perbedaan dan mengukur hubungan antara dua variabel yang diteliti.

Analisis Bivariat yaitu hipotesis yang diuji biasanya kelompok yang berbeda dalam ciri khas tertentu dengan koefisien kontigensi yang diberi simbol C. Analisis bivariat menggunakan tabel silang untuk menyoroti dan menganalisis perbedaan atau hubungan antara dua variabel. Menguji ada tidaknya perbedaan/hubungan antara variabel kondisi pemukian, umur, agama, status migrasi, pendidikan, penghasilan, umur pekkawinan pertama, status kerja dan kematian bayi/balita dengan persepsi nilai anak digunakan analisis chi square, denagn tingkat kemaknaan a=0,05. Hasil yang diperoleh pada analisis chi square, dengan menggunakan program SPSS yaitu nilai p, kemudian dibandingkan dengan a=0,05. Apabila nilai p< dari a=0,05 maka ada hubungan atau perbedaan antara dua variabel tersebut. (Agung, 1993)

Kegunaan Dari Analisis Bivariat

Untuk mengukur kekuatan hubungan antar dua variabel atau lebih.
Contoh mengukur hubungan antar dua variabel :

  1. Motivasi kerja dengan produktivitas
  2. Kualitas layanan dengan kepuasan pelanggan

Langkah-Langkah Melaksanakan Analisis Bivariat

  1. Masukkan data diatas kedalam program SPSS dengan nama variabel bulan, b_selling, b_promo, b_iklan, dan unitpjl.
  2. Klik menu utama analize , correlate, bivariate, tampak dilayar
  3. Kemudian klik semua variabel yang akan dikorelasikan dan masukkan kekolom variables dengan mengklik tanda panah
  4. Untuk kolom corelatiaon koeffisients, pilihlah pearson karena anda ingin melakukan uji atas data rasio
  5. Untuk kolom test of significance, pilih option two-tailed untuk uji dua arah atau dua sisi
  6. Untuk pilihan flag signifikant korelations boleh dicentang (dipilih) hingga pada output akan muncul tanda * untuk signifikansi 5% dan tanda ** untuk signifikansi 1%
  7. Kemudian klik tombol option hingga dilayar tampil :

Pengisian :

  • Anda dapat memunculkan output nilai means and standard deviations dengan mengklik pilihan yang sesuai pada kolom dtatistik
  • Pada pilihan missing values pada dua pilihan :
  1. Exclude cases pairwise : Pasangan yang salah satu tidak ada datanya tidak dimasukkan dalam perhitungan. Akibatnya, jumlah data tiap pasangan korelasi akan bervariasi.
  2. Exclude cases listwise : Yang dibuang adalah kasus yang salah satu variabelnya memiliki mising data. Jumlah untuk semua variabel korelasi adalah sama.
  • Untuk keseragaman pilih exclude cases pairwise
  • Tekan qontinyue jika sudah selesai
  • Kemudian tekan ok dan akan muncul output

Jenis-Jenis Uji Analisis Bivariat

  1. Uji korelasi Bivariat ( Product-moment person )
  2. Uji chis-quare, dengan tingkat kemaknaan a=0,05. Hasil yang diperoleh pada analisis chis quare dengan menggunakan program SPSS yaitu nilai p, kemudian dibandingkan dengan a=0,05 apabila nilai p < dari a=0,05 maka ada hubungan atau pernedaan antara dua variabel tersebut (Agung 1993).
  • Untuk menentukan korelasi ( kuatnya hubungan ) antara variabel-variabel penelitian
  • Jika ada hubungan, seberapa kuat hubungan antar variabel tersebut
  • Dapat digunakan untuk jenis data rasio ( scale ) atau interval

Dalam analisis bivariate secara umum terdiri dari analisa korelasi dan analisa regresi.

Teknik analisis statistik yang dibahas dalam bab ini bersumber pada SPSS yang difokuskan hanya pada teknik yang dapat menjelaskan hubungan atau kaitan antara beberapa variabel, baik hubungan antara dua variabel (bivariate) maupun banyak variabel (multivariate). Pembahasan diutamakan pada cara membaca dan menafsirkan arti dari parameter yang diperoleh dari hasil pengolahan data yang terdapat pada output SPSS. Teknik analisis statistik yang dibahas meliputi Analisis Regresi, Analisis Path, Multiple Classification Analysis (MCA), Tabel Kontingensi, Model Logit, Model Log-Linear, Analisis Diskriminan, dan Analisis Faktor.

  1. Analisis Regresi Linier

Analisis regresi merupakan alat yang dapat memberikan penjelasan hubungan antara dua jenis variabel yaitu hubungan antara variabel dependen atau variabel kriteria dengan variabel independen atau variabel prediktor. Analisis hubungan antara dua variabel disebut sebagai analisis regresi sederhana jika hanya melibatkan satu variabel independen. Analisis disebut sebagai analisis regresi berganda jika melibatkan lebih dari satu variabel independen.

Hubungan antara variabel dependen (Y) dengan variabel independen (X) dituliskan dalam model linier umum

di mana , i = 1,2,……..p adalah koefisien regresi yang berarti besarnya perubahan pada , jika Xi bertambah satu satuan dan variabel yang lain konstan, adalah intercept. Residual e mengikuti distribusi normal dengan rata-rata 0 dan varians konstan sebesar s2.

Asumsi dasar dalam analisis regresi adalah (i) setiap Y yang merupakan kombinasi linier atas X dan mengikuti distribusi normal, (ii) e tersebar secara acak dan tidak berpola mengikuti besarnya nilai X, (iii) tidak terdapat hubungan (korelasi) yang tinggi antar variabel X.

Analisis Regresi Sederhana

Analisis regresi sederhana hanya melibatkan satu variabel independen X, sehingga dalam persamaan (3.1) p=1, sehingga model liniernya adalah

Dengan model seperti pada persamaan (3.2) maka hipotesis yang diajukan untuk diuji adalah H0: b1 = 0 terhadap H1: b 1 ¹ 0. Untuk menolak H0 harus dapat dibuktikan secara empirik bahwab 1 ¹ 0 atau b1 bermakna (significant) atau dengan kata lain ada hubungan linier regresi antara Y dan X seperti pada persamaan (3.2).

Dalam output SPSS 9.0 for Windows untuk subprogram REGRESION, yang pertama perlu diketahui adalah apakah regresi Y pada X bermakna. Hal ini dapat dilihat pada output ANOVA sebagai berikut:

ANOVA

Sum of

Squares

Df Mean

Squares

F Sig. Uji hipotesis untuk mengetahui apakah regresi Y pada X ada, Tabel ANOVA dengan =0,00 menunjukkan bahwa H0 ditolak regresi Y pada X bermakna.
Model 1 Regresion

Residual

Total

6475.18

3185.81

9660.99

1

83

84

6475.18

38.38

168.698 .000

Selanjutnya adalah untuk mengetahui besarnya estimate koefisien regresi () serta standard error-nya, ini dapat dilihat pada output COEFFICIENTS sebagai berikut:

COEFFICIENTS

Unstandardized Coefficients Standardized Coefficients t Sig. = 47,17 (intercept)

= 0,307 (koeffisien regresi)

Y akan berubah sebesar 0,31 unit  untuk setiap perubahan satu unit dari X.

B Std. Error Beta
Model 1 (Constant)

X

47.170

.307

1.726

.024

.819 27.337

12.988

.000

.000

Dapat dilihat bahwa karena regresi linier sederhana, maka pada dua tabel di atas t2= F. Beta=0,819 yang merupakan koef. regresi baku sebenarnya adalah sama dengan r = koefisien korelasi antara Y dan X, karena beta dihitung berdasarkan vaiabel baku Z yang dihitung dengan cara

Koefisien determinasi r2 = 0,670 (yaitu nilai Beta dikuadratkan atau (0.819)2) berarti bahwa variasi Y yang dapat dijelaskan oleh model sebesar 67 persen. Beberapa statistik dan estimasi dari parameter dapat pula diperoleh seperti rata-rata dan standard deviasi serta korelasi dari Y dan X. Para pembaca lebih lanjut dianjurkan untuk membaca SPSS7 Base 9.0 Application Guide.

Analisis Regresi Berganda

Kalau satu variabel dependen Y perlu dijelaskan oleh lebih dari satu variabel independen X, maka kita perlu membuat model yang sesuai dengan tujuan studi. Model tersebut adalah regresi linier ganda (Multivariate Linear Regression) yang secara umum modelnya seperti pada persamaan (3.1). Selain berguna untuk dapat menjelaskan hubungan p variabel X secara bersama terhadap variabel Y, dengan analisis regresi ganda juga dapat diperoleh suatu penjelasan tentang peranan atau kontribusi relatif setiap variabel X terhadap variabel Y. Secara empirik walaupun misalnya model (3.1) signifikan, yang berarti bahwa secara bersama p variabel X dapat menjelaskan variabel Y, tidak berarti bahwa setiap variabel mempunyai pengaruh yang signifikan pada variabel Y. Suatu kajian tersendiri perlu dilakukan untuk kemudian dapat memilah variabel X yang berpengaruh secara parsial pada variabel Y.