Analisis bivariat adalah melakukan
analisis statistik untuk mengetahui keterkaitan antar 2 variabel. Berdasarkan
bentuk data kategorik dan data numerik, analisis bivariat kemungkinan dapat
dikelompokan menjadi empat, yaitu: 1 data
kategorik dengan data kategorik diuji menggunakan uji beda proporsi, 2 data
kategorik dengan data numerik diuji menggunakan uji beda rata-rata, 3 data numerik dengan data kategorik
diuji menggunakan uji beda rata-rata, 4 data numerik dengan data
numerik diuji menggunakanuji korelasi.
Uji beda rata-rata dikelomopokkan
menjadi dua yaitu: a.
uji beda 2 rata-rata, Uji ini
dikelompokkan menjadi uji beda rata-rata sampel berpasangan menggunakan paired
t test dan uji sampeltidak berpasangan
menggunakan Independent
Sample T Test. b. Uji beda lebih 2 rata-rata
menggunakan annova.
Uji di atas dapat dilakukan apabila
data berdistribusi normal. Untuk mengetahui normal atau tidaknya data maka
dapat diuji dengan: a.
Mean median modus, berdistribusi normal apabila kisaran nilainya tidak jauh
berbeda, b. Kolmogrof
smirnov, data berdistribusi normal
apabila nilai P>0,05, dan data berdistribusi tidak normal apabila nilai
P<0,05 c. Skweness, data
berdistibusi normal apabila nilainya berkisar anatara -1,27 sampai 1.27 d. Histogram, data berdistribusi normal
jika titik puncak grafik berada di tengah dan kaki grafik seimbang antara kiri
kanan, e. QQ plot, data berdistribusi normal apabila nilainya
terletak di seputar garis scatter dan seimbang atas bawah f. Blox splot, data berdistribusi
normal apabila box tidak tinggi; tangkai pendek, seimbang atas bawah; median
terletak di tengah; tidak ada outlier, kalaupun ada jumlahnya seimbang atas
bawah.
Setelah diuji normality dengan menggunakan uji di atas dan didapatkan data berdistribusi tidak normal maka maka dapat dilakukan salah satu atau kedua uji berikut a. uji secara langsung dengan uji non-parametrik , untuk paired T-test menggunakan uji Wilcoxon, untuk independent sampel T-test menggunakan Uji Man Withney, dan Anova menggunakan Uji Kruskal Wallis. b. menormalkan data (normalisasi) dapat dilakukan dengan memisingkan outlier.
oleh filzah Mutia