23 April 2021

Analisis Korelasi Kanonical (Canonical Correlation)

Analisis korelasi kanonical (Canonical Correlation) adalah analisis korelasi yang merupakan pengembangan korelasi dua (2) faktor yang menggunakan skala interval atau rasio. Jika korelasi dua variabel hanya terdiri dari satu variabel bebas (X) dan satu variabel tergantiung (Y) dapat diselesaikan dengan korelasi Pearson. Namun jika korelasi menggunakan dua variabel bebas atau lebih (X1, X2...Xn) dan dua variabel tergantung (Y1 dan Y2) maka dalam penyelesaiannya harus menggunakan korelasi kanonical. 

 

 
Dalam regresi berganda hanya mempu untuk menyelesaikan dengan 1 variabel dependen, sedangkan multivariate analysis of variance ( Manova) hanya untuk menyelesaikan variabel independen berskala non metrik atau kategori. Sehingga tepat penggunaan analisis korelasi kanonical (canonical correlation) jika menyelesaikan  korelasi/hubungan 2 atau lebih variabel independen dan 2 atau lebih dependen yang berskala interval dan rasio. 

Gambaran korelasi kanonical sebagai berikut :

Gambaran Korelasi Kanonical

Ada beberapa persyaratan untuk menggunakan korelasi kanonical antara lain :

  1. Semua vaiabel bebas (independen) dan tergantung (dependen) yang akan dikorelasikan harus berskala interval atau rasio.
  2. Hubungan antara variabel bebas dan variabel tergantung/terikat bersifat linier.
  3. Pengujian signifikansi secara statistik terpenuhinya distribusi normal multivariate.
  4. Tidak adanya multikolinieritas pada masing-masing kelompok variabel independen dan variabel dependen.

Contoh kasus

Pada kesempatan ini akan diuji korelasi kanonical antara 3 variabel independen yaitu pelayanan, keramahan, harga terhadap 2 variabel dependen : kepuasan dan loyalitas pengunjung. data sebagai berikut :

Data Input

Langkah uji korelasi kanonical dengan SPSS

  1. Buka data view yang akan dianalisi di SPSS
  2. Klik File > New > Syntax. Tulis syntax dieditor seperti pada gambar dibawah ini.

Syntax Korelasi Kanonical

Pada baris pertama syntax memerintahkan prosedur MANOVA dan memasukkan variabel dependen Kualitas dan Loyalitas atau kovariate dengan perintah WITH yaitu Pelayanan, Keramahan, dan Harga.

Pada baris kedua perintah DISCRIM yang memerintahkan canonical variable dan canonical correlation. ALL untuk memerintahkan SPPS menghasilkan semua output. APLHA(1) memerintahkan SPSS untuk output canonical correlation tanpa signifikansi. 

Pada baris ketiga output yang dikeluarkan adalah dengan tingkat signifikansi untuk eigen value{sig(eigen)} dan canonical correlation {sig(dim)}.

3. setelah selesai menulis syntax, kemudian pilih Run All.

Hasil Output Korelasi Kanonical dengan SPSS 

Multivariate test of significant

Pada tabel Multivariate test of signifikansi di atas bahwa tes menggunakan Pillai's, Hotellings, Wilks dan Roys memberikan nilai signifikansi masing-masing sebesar 0.000 lebih kecil dari 0.05. Pengujian ini biasanya hanya cukup dengan nilai Wilks. Artinya bahwa korelasi kanonical pertama adalah signifikan.

Nilai Eigenvalues dan canonical Correlations

pada tabel Eigenvalues and canonical correlations dan dimension Reduction Analysis menunjukkan nilai pengelompokan pengujian kanonical korelasi pada Root 1 dan Root 2. Pada Root 1fungsi kanonical pertama besarnya nilai korelasi kanonical sebesar 0.90129 dengan R-Square sebesar 0.81232 dan signifikansi of F sebesar 0.000. Pada Root 1 nilai R-square merupakan kovariat variabel canonical mampu menjelaskan sebesar 81.232% (0.81232 x 100%) dalam variabel canonical dependen. Sedangkan pada Root 2 diperoleh nilai korelasi kanonical sebesar 0.05667 dengan R-square sebesar 0.00321 dan signifikansi F sebesar 0.899. Karena nilai korelasi kanonical, R-square dan signifikansi of F lebih tinggi pada Root 1 dan menunjukkan hubungan yang signifikan antara variabel independen dan dependen maka hanya pada Root 1 yang akan diproses lebih lanjut.

Canonical Weight

Canonical Weight

 Untuk tabel canonical weight di atas pada fungsi 1 terdapat nilai korelasi pada kepuasan sebesar 0.78558 lebih tinggi dibandingkan pada variabel loyalitas hanya memperoleh nilai korelasi sebesar 0.27018. Sedangkan nilai covariate pada fungsi 1, variabel independen diperoleh nilai korelasi tertinggi pada pelayanan sebesar 0.68539, kemudian harga 0.61414 dan terendah pada keramahan hanya memperoleh nilai korelasi 0.58885.

Canonical Loading

Canonical Loading

Pada tabel canonical loading memberikan outputn korelasi pada fungsi 1 Kepuasan nilai loading sebesar 0.98280 dan Loyalitas dengan nilai loading 0.84364. Sedangkan pada variabel independen (covariate) diperoleh nilai loading tertinggi pada variabel Pelayanan sebesar 0.78830, Harga 0.65960 dan Keramahan 0.09276.

Dari hasil canonical weight dan canonical loading dapat diambil kesimpulan bahwa terdapat hubungan yang signifikan antara dependen variate dengan independen variate. Tetapi dari 3 variabel independen hanya ada 2 variabel yang memiliki kaitan paling erat yaitu Pelayanan dan harga karena nilai loading yang diperoleh lebih dari 0.5. Nilai loading pada variabel independen adalah positif artinya bahwa semakin tinggi Pelayanan, Harga, dan Keramahan akan meningkat juga Loyalitas dan Kepuasan pengunjung. Kesimpulan hasil output uji korelasi kanonical sebagai berikut :

  1. Korelasi 3 variabel independen (pelayanan, Keramahan dan harga) dengan variabel 2 independen (kepuasan dan loyalitas) sebesar 0.90129 : artinya tinggi, searah, dan signifikan.
  2. Korelasi antara variabel independen (pelayanan, Keramahan dan harga) dengan variabel Kepuasan sebesar 0.78558, artinya bahwa korelasi sangat kuat dan searah.
  3. Korelasi antara variabel independen (pelayanan, Keramahan dan harga) dengan variabel loyalitas sebesar 0.27018, artinya bahwa korelasi rendah dan searah.

Baca juga :  

  1. Langkah Analisis Korespondensi dengan SPSS

  2. Langkah Analisis Multidimensional Scaling (MDS)

  3. Langkah Analisis Konjoin

  4. Cara Analisis K-Mean Cluster

Referensi :

Ghozali,I.(2013).Aplikasi Analisis Multivariate dengan Program IBM SPSS 21 Update PLS Regresi edisi 7.Semarang : Badan Penerbit Universitas Diponegoro

Gudono.(2012). Analisis Data Multivariat. BPFE. Yogyakarta

Tidak ada komentar: