Multiple Classification Analysis
(MCA) atau analisis klasifikasi berganda adalah
salah satu metode analisis inferensia yang menggunakan uji statistik. Andrews et.al
(1973) menyatakan bahwa MCA dapat dengan mudah dijelaskan sebagai suatu metode
analisis dimana variabel bebas berskala kategorik
dengan sebuah variabel tidak bebas yang berskala numerik. Selain itu, MCA juga
dapat menjelaskan hubungan linier dan non linier antara variabel prediktor dan
dependen. MCA mensyaratkan data yang dianalisis harus berupa data
individu.
Metode
MCA ini digunakan untuk lebih memperlihatkan hasil Anova (Analisis of Variance) ,dimana MCA dengan satu variabel bebas adalah one way Anova, sementara MCA dengan dua
variabel bebas adalah two way Anova
begitu seterusnya. Dengan MCA akan dapat dilihat
bagaimana pola hubungan dari pendapatan petani
dengan variabel umur, jenis kelamin, tingkat pendidikan, sumber pembiayaan, partisipasi penyuluhan, status lahan,dan luas lahan panen. Model analisis ini
diperkenalkan oleh Yates pada tahun 1934, kemudian dikembangkan oleh Anderson
Bancroft tahun 1952 ( Rahman, 2011).
MCA
memiliki beberapa kelebihan antara
lain yaitu:
1. MCA
dapat menunjukkan pengaruh
masing-masing variabel bebas sebelum (unadjusted)
dan sesudah dikontrol oleh variabel bebas lain dan kovariat (adjusted).
2. Pengaruh
setiap variabel bebas dalam persamaan MCA dapat dinyatakan dalam bentuk nilai
rata-rata keseluruhan dari variabel tidak bebas setelah mengontrol
variabel-variabel lainnya. Sebab itu, adjusted
mean score atau angka rata-rata yang telah disesuaikan (nilai rata-rata
dengan variabel bebas lain sebagai pengontrol)
dapat dihitung dan akan lebih mudah untuk
interpretasi dari pada nilai atau koefisien beta
yang dihasilkan melalui analisis regresi yang
menggunakan dummy variable.
3. Pada
analisis regresi dengan dummy variable,
kita harus menggunakan salah
satu kategorik (kategorik referensi yang bernilai 0) sebagai pengontrol pada saat menyusun persamaan
regresinya, sehingga kategori tersebut
harus dikeluarkan sebagai analisis. Sehingga variabel sebagai kategorik
referensi dari analisis regresi tidak akan diperoleh nilai beta-nya, padahal
koefisien-koefisien beta lainnya dinyatakan sebagai penyimpangan dari kategorik
yang dihilangkan. Sebaliknya, koefisien MCA dihitung untuk seluruh kategorik
pada variabel bebasnya, yaitu dalam bentuk variabel berskala nominal dan
dinyatakan sebagai penyimpangan dari angka rata-ratanya.
4. MCA
bebas dari pembatasan-pembatasan penggunaan skala pengukuran untuk variabel
bebasnya, artinya variabel bebas dapat berskala ukuran yang paling lemah
(nominal) (Rahman, 2011).
Dengan
metode analisis MCA ini maka bisa didapatkan:
1. Proporsi,
untuk menunjukkan pengaruh masing-masing kategori sebelum prediktor/variabel
bebas lainnya dibebaskan (unadjusted),
maupun sesudah prediktor/variabel bebas lainnya dibebaskan (adjusted).
2. Korelasi
parsial, untuk menghitung tingkat keeratan pengaruh masing-masing kategori
sebelum prediktor/variabel bebas lainnya dibebaskan disebut eta (h)
maupun sesudah prediktor/variabel bebas lainnya dibebaskan disebut beta (b).
3. Efek dari suatu variaebel bebas, yaitu efek dari
prediktor yang diperoleh dengan mengurangkan rata-rata dari masing-masing
kategori terhadap kategori lainnya. Dalam hal ini efek yang di timbulkan pada
saat variabel lain belum dibebaskan (unadjusted), maupun sesudah
prediktor/variabel bebas lainnya dibebaskan (adjusted ) adalah sama. Sehingga nilai unadjusted dan adjusted hanya dapat di bedakan ketika menghitung rata-ratanya
saja.
4. Kemampuan
menerangkan variasi proporsi yang memengaruhi variabel respon/tak bebas disebut
koefisien determinasi (R2).
0 comments:
Post a Comment