ANALISIS DATA MULTIVARIAT

APAKAH ANALISIS MULTIVARIAT? Bisnis dewasa ini harus lebih menguntungkan, bereaksi lebih cepat, dan menawarkan produk dan jasa yang berkualitas tinggi dan pengerjaannya membutuhkan lebih sedikit orang dan dengan biaya yang lebih rendah. Hal terpenting dalam proses ini adalah mempunyai pengetahuan dan manajemen yang efektif. Tidak kurang informasi, tetapi haus akan pengetahuan. Seperti Tom Peters katakan dalam bukunya Thriving on Chaos, "Kami tenggelam dalam informasi dan haus akan pengetahuan". Informasi mengenai pengambilan keputusan sangat banyak dalam beberapa tahun terakhir, dan akan terus meningkat di masa depan, mungkin lebih cepat. Sampai saat ini, banyak informasi mulai menghilang. Ia tidak dikumpulkan atau dibuang. Saat ini informasi ini sedang dikumpulkan dan disimpan dalam gudang data, dan tersedia untuk "ditambang" untuk pengambilan keputusan yang baik. Beberapa informasi dapat dianalisis dan dipahami dengan menggunakan statistik sederhana. Teknik statistik multivariat dapat mengkonversi data tersebut menjadi pengetahuan. Sejumlah kemajuan teknologi membantu kita untuk menerapkan teknik multivariat. Di antara yang paling penting adalah perkembangan perangkat keras dan perangkat lunak komputer. Kecepatan hitung telah meningkat dua kali lipat setiap 18 bulan, sedangkan harganya menurun. Paket user-friendly software telah menjadikan data masuk dalam area point-and-click sehingga kita dengan cepat dapat menganalisis sejumlah data yang kompleks dengan relatif mudah. Memang, pusat-pusat penelitian tentang industri, pemerintah, dan universitas di seluruh dunia banyak menggunakan teknik-teknik ini. Kita menggunakan istilah umum peneliti (research) untuk mengacu pada seorang analisis data dalam komunitas akademis atau praktisi. Kami merasa tidak pantas untuk memperbedakan kedua area ini karena penelitian keduanya berdasarkan pada basis teoritis dan kuantitatif. Meskipun tujuan dan penekanan dalam interpretasi penelitian mungkin berbeda, namun seorang peneliti dalam suatu wilayah harus mengatasi semua masalah, baik secara konseptual maupun empiris. ANALISIS MULTIVARIAT DALAM ISTILAH STATISTIK Teknik analisis multivariat dikenal luas karena organisasi bisa menciptakan pengetahuan lewat teknik tersebut dan dengan demikian meningkatkan pengambilan keputusan

mereka. Analisis multivariat adalah semua teknik statistik yang secara bersamaan menganalisa pengukuran berganda pada individu atau objek yang diteliti. Dengan demikian, setiap analisis simultan yang terdiri dari dua atau beberapa variabel dapat dianggap sebagai analisis multivariat. Teknik-teknik multivariat merupakan pengembangan dari analisis univariat (analisis distribusi satu variabel) dan analisis bivariat (klasifikasi menyilang, korelasi, analisis varians, dan regresi sederhana yang digunakan untuk menganalisis dua variabel). Misalnya, regresi sederhana (dengan satu variabel prediktor) dikembangkan dalam multivariat menjadi beberapa variabel prediktor. Begitu pula, variabel dependen tunggal dalam analisis varians dikembangkan dalam analisis multivariat varians menjadi beberapa variabel dependen berganda. Beberapa teknik multivariat (misalnya, regresi berganda dan analisis multivariat varians) menjadi cara untuk melakukan analisis tunggal seperti pada analisis univariat berganda. Namun, teknik-teknik multivariat lainnya, secara khusus dirancang untuk menangani masalah-masalah multivariat, seperti analisis faktor, yang mengidentifikasi struktur yang mendasari pengelompokkan variabel, atau analisis diskriminan, yang membedakan antar kelompok berdasarkan satu kelompok variabel. Kebingungan kadang-kadang muncul mengenai apa itu analisis multivariat, karena istilah ini tidak digunakan secara konsisten dalam literatur. Beberapa peneliti menggunakan multivariat hanya untuk memaksudkan hubungan antara diantara lebih dari dua variabel. Peneliti lainnya menggunakan istilah itu hanya untuk masalah variabel berganda yang diasumsikan memiliki distribusi multivariat normal. Namun, Untuk memastikan benar-benar multivariat, semua variabel harus acak dan diperhubungkan dengan sedemikian rupa sehingga perbedaan efeknya tidak bisa dimaknai secara terpisah. Beberapa penulis menyatakan bahwa tujuan dari analisis multivariat adalah untuk mengukur, menjelaskan, dan memprediksi tingkat hubungan antar variatas (bobot kombinasi variabel). Jadi, karakter multivariat terletak pada variatas berganda (bobot kombinasi variabel), dan bukan hanya dalam jumlah variabel atau observasi. Analisis multivariat mencakup teknik yang bisa dimultivariatkan (multivariable technique) dan teknik yang benar-benar multivariat, karena kita percaya bahwa ilmu teknik multivariabel adalah langkah awal yang penting dalam memahami analisis multivariat. BEBERAPA KONSEP DASAR ANALISIS MULTIVARIAT Meskipun akar dari analisis multivariat adalah statistik univariat dan bivariat, namun domain luas dari multivariat memperkenalkan tambahan konsep dan isu-isu yang relevan. Konsep ini mengenai perlunya memahami konsep dasar buiding block dari dari analisis

multivariat – variate – untuk menjelaskan masalah-masalah yang berkaitan dengan jenis-jenis skala pengukuran yang digunakan dan masalah-masalah statistik pengujian signifikansi dan tingkat kepercayaan. Setiap konsep berperan penting dalam keberhasilan penerapan setiap teknik multivariat. Variate Seperti telah disebutkan sebelumnya, building block dari analisis multivariat adalah variate, suatu kombinasi variabel yang linear dengan bobot empiris yang ditentukan. Variabel ditentukan oleh peneliti, sedangkan bobot ditentukan dengan teknik multivariat untuk memenuhi tujuan tertentu. Sebuah variate dengan variabel bobot n (Xl ke Xn) dapat dinyatakan secara matematis sebagai berikut:

dimana Xn adalah variabel yang diobservasi dan wn adalah bobot yang ditetapkan oleh teknik multivariat. Hasilnya adalah nilai tunggal yang menunjukkan kombinasi dari seluruh kelompok variabel yang mencapai seluruh tujuan khusus dari analisis multivariat. Dalam regresi berganda, variate ditentukan dengan cara memaksimalkan korelasi antara variabel independen berganda dan variabel dependen tunggal. Dalam analisis diskriminan, variate dibentuk untuk mendapatkan nilai setiap observasi yang membedakan antar kelompok-kelompok observasi. Dalam analisis faktor, variate dibentuk untuk menunjukkan struktur atau pola dasar dari variabel yang mewakili korelasinya. Dalam setiap contoh, variate mencakup karakter multivariat analisis. Dengan demikian, dalam pembahasan setiap teknik, variate merupakan titik fokus dari suatu analisis. Kita harus memahami tidak hanya dampak kolektifnya dalam memenuhi tujuan teknik, tetapi juga kontribusi masing-masing variabel atas keseluruhan efek variate. Skala Pengukuran Data analisis melibatkan identifikasi dan pengukuran variasi kelompok variabel, baik diantara mereka sendiri atau antar variabel dependen dan satu atau beberapa variabel independen. Kata kuncinya di sini adalah pengukuran (measurement) karena peneliti tidak dapat menentukan variasi kecuali dengan pengukuran. Pengukuran adalah penting untuk secara akurat menunjukkan konsep yang diinginkan dan menjadi alat dalam memilih metode analisis multivariat yang tepat. Data dapat diklasifikasikan dalam satu dari dua kategori – nonmetric (kualitatif) dan metrik (kuantitatif) – berdasarkan jenis atribut atau karakteristiknya.

Skala ordinal bukan merupakan ukuran dari jumlah atau besar yang sebenarnya. hanya bisa memberikan jumlah kejadian dalam setiap kelompok atau kategori variabel yang sedang dikaji. juga dikenal sebagai skala kategori. jika seseorang adalah pria. melainkan hanya urutan nilai. pertama menggunakan skala ordinal. SKALA PENGUKURAN NONMETRIC. misalnya. hal ini tidak mungkin untuk menghitung nilai rata-rata gender. Skala berikut menunjukkan tanggapan responden terhadap ketiga produk tersebut. . perilaku memilih atau kegiatan pembelian). atau afiliasi partai politik). Dalam hal skala ordinal. Namun. Skala Nominal. hanya dengan menyatakan lelaki atau perempuan. pekerjaan. skala nominal. Peneliti tahu urutan. berbagai bentuk perilaku (misalnya. kita hanya bisa mentabulasikan jumlah pria dan wanita. Misalnya. Data nominal hanya mewakili kategori atau kelas dan tidak mewakili jumlah atribut atau karakteristik. Oleh karena itu. tingkat perbedaan kepuasan masing-masing konsumen pada beberapa produk baru bisa digambarkan. Skala Ordinal. Contoh umum dari pemakaian data skala nominal adalah berbagai atribut demografis (misalnya. nilai tersebut berupa angka-angka. Dalam komputer. Setiap subjek atau objek dapat dibandingkan dengan yang lain dalam hal hubungan yang "lebih besar dari" atau "kurang dari". Properti ini bersifat diskrit yang memiliki ciri tertentu.Peneliti harus menentukan jenis pengukuran – nonmetric atau metrik – untuk setiap variabel. Data nonmetric menggambarkan perbedaan tipe atau jenis yang menunjukkan ada atau tidak adanya karakteristik atau properti. dengan nilai-nilai ini. Angka-angka digunakan dalam skala ordinal adalah benar-benar nonquantitative karena ia hanya menunjukkan posisi relatif dalam rangkaian urutan. variabel dapat diatur atau diurut sesuai dengan jumlah atribut yang dimiliki. maka dia tidak bisa menjadi perempuan. Sebagai contoh. jenis kelamin seseorang. 2 untuk perempuan dan 1 untuk laki-laki). Se "jumlah" gender tidak mungkin. tetapi bukan jumlah perbedaan antara nilai-nilai tersebut. agama. Nomor yang disematkan pada objek tidak memiliki makna kuantitatif selain menunjukkan ada atau tidak adanya atribut atau karakteristik yang diteliti. Namun. Pengukuran Nonmetric dapat dibuat dengan skala nominal atau skala ordinal. atau kegiatan lain yang diskrit (terjadi atau tidak). Skala ordinal selanjutnya merupakan tingkat ketepatan pengukuran yang "lebih tinggi". dalam mewakili gender (pria atau wanita) peneliti dapat menggunakan angka-angka pada setiap kategori (misalnya. Skala nominal memberikan penomoran sebagai cara untuk label atau mengidentifikasi subyek atau obyek.

analisis korespondensi) atau menggunakan data nonmetrik sebagai variabel independen (misalnya. seorang analis harus mengetahui semua data nonmetric agar pemakaiannya tepat dalam teknik multivariate. Berbeda dengan data nonmetric. Olehnya itu. Kedua skala ini memiliki unit pengukuran konstan. Bila dilihat sebagai data ordinal. Dengan demikian. Asumsikan . dll) 1 untuk produk A (paling puas). kita tidak bisa menyatakan tingkat perbedaan antar produk (misalnya. rata-rata. hanya berdasarkan posisinya pada skala. diikuti oleh produk B dan kemudian produk C. analisis diskriminan dengan variabel dependen nonmetric atau analisis multivariat varians dengan variabel independen nonmetrik).Ketika kita mengukur variabel ini dengan skala ordinal. peneliti mungkin ingin menggunakan ukuran ordinal. Namun. data metrik dapat diperoleh dengan selisih antara satu ujung skala dengan posisi setiap produk. 2 untuk produk B. SKALA PENGUKURAN METRIC. Kita bisa menetapkan nilai "rank order" (1 = paling puas. Skala Interval. Pada kebanyakan contoh. Kita harus menggunakan skala interval untuk menilai besaran perbedaan antara produkproduk tersebut. seperti tingkat kepuasan atau komitmen terhadap suatu pekerjaan. Pada contoh sebelumnya dalam mengukur tingkat kepuasan. dan 3 untuk produk C. Kedua skala pengukuran metrik ini adalah skala interval dan skala rasio. dll). perkalian atau pembagian. data metrik digunakan ketika subyek memiliki perbedaan jumlah atau tingkat pada atributnya. Kita menginginkan ukuran yang mencerminkan responden merasa lebih puas dengan Produk A daripada produk B dan lebih puas dengan produk B daripada Produk C. yang memungkinkan penggunaan hitungan matematika. Seorang analis tidak bisa melakukan hitungan aritmatika (tidak ada penjumlahan. kita tidak bisa menjawab pertanyaan apakah perbedaan antara produk A dan B lebih besar daripada perbedaan antara produk B dan C). kita tahu bahwa produk A mempunyai tingkat paling memuaskan. 2 = berikutnya paling puas. Skala interval dan skala rasio (keduanya metrik) merupakan tingkat ketepatan pengukuran tertinggi. sehingga data nonmetric sangat terbatas penggunaannya dalam menghitung koefisien model. tetapi implikasi dari penerapan jenis analisis ini sangat substansial. berbagai teknik multivariat diciptakan untuk menyelesaikan data nonmetric (misalnya. kita membuat "rank order" produk berdasarkan tingkat kepuasan. Variabel pengukuran metrik menunjukkan kuantitas atau tingkat relatif beberapa atribut yang melibatkan jumlah atau besarnya.

40°F pada skala Celsius adalah 4. 2. pada skala yang berbeda. Memahami perbedaan jenis-jenis skala pengukuran ini penting karena dua alasan: 1. Kesalahan pengukuran adalah sejauh mana nilai-nilai yang diamati tidak mewakili . dan begitupula sebaliknya (seperti contoh mengenai gender. 80°F tidak bisa dibenarkan mengatakan dua kali lebih panas dari 40°F. Jika peneliti tidak benar mendefinisikan ukuran ini sebagai metrik. Dengan menggunakan nilai-nilai ini sebagai ukuran kepuasan. Meskipun 80°F dua kali panasnya dari 40°F.4°C. Demikian pula. urutan peringkat produk). Skala Rasio. namun seseorang tidak bisa mengatakan bahwa panas 80°F adalah dua kali panasnya dari 40°F karena. Kesalahan Pengukuran dan Pengukuran Multivariat Penggunaan variabel berganda dan kombinasinya (variate) dalam teknik multivariat juga memfokuskan perhatian pada masalah lain – kesalahan pengukuran (measurement error).4°C X 2 ≠ 26. Skala pengukuran juga penting dalam menentukan teknik-teknik multivariat yang paling cocok dalam suatu data. dimana 1 untuk laki-laki dan 2 untuk perempuan). yaitu 4.0 – 6. PENGARUH PEMILIHAN SKALA PENGUKURAN. panasnya tidak dua kali lebih besar. 100 pon adalah dua kali lebih berat dari 50 pon.5 = 3.bahwa produk A adalah 2. menggunakan skala yang berbeda.5) daripada perbedaan antara produk B dan C (12. produk B adalah 6. karena kita tahu bahwa 80°F. mengenai variabel independen dan dependen. kita tidak bisa hanya menyatakan hal yang sama dengan pada data ordinal (misalnya. seperti Celcius. maka ia bisa digunakan dengan tidak tepat (misalnya.7°C.5 unit dari ujung kiri. Skala kamar mandi atau mesing timbangan laing merupakan contoh dari skala ini.0).0 unit. agar data nonmetric tidak salah digunakan sebagai data metrik.0 – 2. mencari nilai rata-rata gender). tetapi kita juga bisa melihat bahwa perbedaan antara produk A dan B jauh lebih kecil (6. Semua hitungan matematika bisa menggunakan pengukuran skala rasio.7°C. sedangkan skala rasio menggunakan absolute zero point. dan produk C adalah 12 unit. Misalnya. karena mereka memiliki absolute zero point dan bisa dinyatakan dalam kelipatan ketika dikaitkan dengan skala lain. Satu-satunya perbedaan nyata antara skala interval dan rasio adalah skala interval menggunakan arbitrary zero point. Peneliti harus mengidentifikasi skala pengukuran setiap variabel yang digunakan. Skala interval yang paling terkenal adalah skala suhu Fahrenheit dan Celcius.0 = 6. misalnya. Skala rasio menunjukkan bentuk tertinggi dari ketepatan pengukuran karena ia memiliki kelebihan dari semua skala yang lebih rendah ditambah dengan absolute zero point. adalah 26.

ia adalah kebalikan dari kesalahan pengukuran. Sebagai contoh. . maka pilih variabel yang memiliki reliability yang lebih tinggi. peneliti justru bisa menentukan total pendapatan rumah tangga. Olehnya itu. kita tidak perlu menanyakan seluruh pendapatan rumah tangga. MENGGUNAKAN PENGUKURAN MULTIVARIAT. yang menyebabkan korelasi melemah dan mean-nya menjadi kurang tepat. jika ada alternatif ukuran kevalidan. respon mengenai pendapatan rumah tangga mungkin cukup akurat tapi jarang benar-benar tepat). maka efek “sebenarnya” sebagian ditutupi oleh kesalahan pengukuran. ukuran yang reliable. Kesalahan pengukuran ini menambah "kerumitan" dalam variabel yang diukur atau yang diobservasi. akan menghasilkan konsistensi yang lebih besar daripada ukuran yang kurang reliable. termasuk juga ketidakmampuan responden dalam memberikan informasi yang akurat (misalnya. tetapi masih bisa "salah" (yaitu. peneliti harus memperhatikan dua karakteristik penting dari suatu pengukuran: • Validitas adalah sejauh mana suatu pengukuran secara akurat mewakili apa yang seharusnya. Dalam menilai tingkat kesalahan pengukuran dalam suatu ukuran. peneliti juga dapat memilih menggunakan ukuran multivariat (multivariate measurement). Jadi. dalam pendapatan. semua variabel yang digunakan dalam teknik multivariat harus diasumsikan memiliki beberapa tingkat kesalahan pengukuran. peneliti masih harus mempertimbangkan reliabilitas pengukuran. Selain mengurangi kesalahan pengukuran dengan memperbaiki variabel individu. Peneliti harus selalu menilai variabel yang digunakan dan.nilai-nilai yang "sebenarnya". Jika ukuran yang sama ditanyakan berulang kali. Dengan demikian. Tujuan peneliti mengurangi kesalahan pengukuran dapat dilakukan dengan beberapa jalur.” Ketika digunakan untuk menghitung korelasi atau nilai ratarata (mean). jika kita ingin mengukur pendapatan tambahan. Memastikan validitas dimulai dengan memahami apa yang ingin diukur dan kemudian menentukan ukuran yang benar dan akurat. yang juga disebut sebagai summated scales. Kesalahan pengukuran bersumber dari beberapa hal. Reliabilitas adalah sejauh mana variabel yang diamati menghasilkan nilai yang "benar" dan "bebas dari kesalahan". Namun. keakuratan tidak menjamin validitas. VALIDITAS DAN RELIABILITAS. • Jika sudah diperoleh validitas. Misalnya. memaksakan skala rating nilai 7 untuk pengukuran perilaku ketika peneliti tahu bahwa responden hanya bisa bisa memberi respon rating nilai 3). nilai observasi yang didapatkan menunjukkan tingkat yang “sebenarnya” dan yang “rumit. ukuran yang tidak valid) dalam mengukur pendapatan tambahan karena pertanyaan yang "benar" tidak diajukan. mulai dari kesalahan pengimputan data sampai pada ketidakakuratan pengukuran (misalnya. misalnya.

yang mana beberapa variabel digabungkan dalam composite measure untuk menggambarkan sebuah konsep (misalnya. multiple-item personality scale atau summed rating of produkct satisfiction). Tujuannya adalah untuk menghindari penggunaan hanya satu variabel tunggal untuk menggambarkan sebuah konsep dan ketimbang menggunakan beberapa variabel sebagai indikator. Misalnya. SIGNIFIKANSI STATISTIK VERSUS DAYA STATISTIK Semua teknik multivariat. Atau summated scale bisa dibuat dengan menggabungkan beberapa respon tingkat kepuasan (misalnya. Mengurangi kesalahan pengukuran. Sensus seluruh populasi menjadikan inferens statistik tidak dibutuhkan. agar menghasilkan gambaran yang akurat dari variabel yang diinginkan. Dampak dari kesalahan pengukuran dan reliability yang buruk tidak bisa secara langsung terlihat karena mereka berada dalam variabel yang diamati. Jenis-Jenis Kesalahan Statistik dan Daya Statistik . Penggunaan indikator berganda memungkinkan peneliti secara tepat menentukan respon yang diinginkan. dan kemungkinan untuk membeli lagi). walaupun membutuhkan usaha. dan sumber daya tambahan. mencari nilai rata-rata diantara ketiga ukuran – kepuasan. karena setiap perbedaan atau hubungan. Perbedaan pengukuran bisa menghasilkan respon yang berbeda-beda. kecuali analisis cluster dan perceptual mapping. kemungkinan untuk membeli. peneliti sering mengambil inferens dari sampel. peneliti harus selalu berupaya untuk meningkatkan reliabilitas dan validitas. "Seberapa puaskah anda?" dan mendasarkan analisis pada respon tunggal. dalam mengukur tingkat kepuasan. didasarkan pada inferens statistik dari hubungan atau nilai-nilai variabel populasi yang sampelnya diambil secara acak dalam populasi. Titik jelasnya bahwa respon berganda menunjukkan respon yang benar lebih akurat daripada respon tunggal. Olehnya itu. dapat memperbaiki hasil yang lemah atau marjinal dan juga memperkuat keakuratan hasil. Peneliti harus menilai reliablity memasukan skala dalam analisis. Oleh karena itu. kita bisa mengajukan sebuah pertanyaan. adalah benar dan tidak ada. Kesalahan pengukuran tidak hanya menimbulkan kesalahan hasil tapi juga menyebabkan kesalahan penentuan hubungan sehingga menyebabkan teknik multivariat menjadik kurang kuat. waktu. betapapun kecilnya. Para peneliti sangat jarang menggunakan sensus. DAMPAK DARI KESALAHAN PENGUKURAN.

β. tetapi juga pada ukuran efek yang sebenarnya. peneliti menetapkan batas kesalahan yang dapat diterima dan menunjukkan probabilitas kesimpulan signifikansi ketika tidak terjadi. Dengan menetapkan tingkat alfa. Sehingga. Perpanjangan dari type II error adalah 1 . ukuran efek (effect size) membantu peneliti menentukan apakah hubungan yang diamati . yang diistilakam dengan Type II error.Interpretasi inferens statistik mengharuskan seoarang peneliti untuk menentukan tingkat kesalahan statistik yang bisa diterima yang diakibatkan dari penggunaan sampel (dikenal dengan sampling error). Ketika menentukan tingkat type I error. Artinya. Type I error adalah probabilitas untuk menolak hipotesis nol ketika benar-benar terjadi – umumnya disebut sebagai false positive. Ukuran efek – probabilitas untuk mencapai signifikansi statistik didasarkan tidak hanya pada pertimbangan statistik. Dengan demikian. peneliti harus menjaga keseimbangan antara tingkat alpha dan daya yang dihasilkan. kesalahan tipe I kesalahan menjadi lebih restriktif (bergerak lebih dekat ke nol) ketika probabilitas kesalahan tipe II meningkat. Hubungan probabilitas perbedaan kesalahan ditampilkan dibawah ini: Meskipun penentuan alpha membutuhkan tingkat signifikansi statistik yang dapat diterima. atau beta (β). Dampak Pada Daya Statistik Tapi mengapa tingkat daya yang tinggi tidak bisa tercapai? Daya bukan semata-mata fungsi dari alfa. namun ia merupakan tingkat daya yang menunjukkan probabilitas keberhasilan dalam menemukan perbedaan jika benar-benar ada. peneliti juga menentukan kesalahan terkait. Kesalahan Tipe II ini adalah probabilitas untuk tidak menolak hipotesis nol ketika benar-benar salah. Jadi. yang disebut dengan daya uji inferens statistik. Mengapa tidak menetapkan kedua alpha dan beta pada tingkat yang dapat diterima? Karena kesalahan tipe I dan tipe II berbanding terbalik. yang dikenal dengan alpha (α). pengurangan kesalahan type I mengurangi daya uji statistik. Daya ditentukan oleh tiga faktor: 1. Daya adalah probabilitas untuk menunjukkan signifikansi statistik. Pendekatan yang paling umum adalah menentukan tingkat Type I error.

01. ketika peneliti mengatakan sesuatu yang salah bahwa efek signifikan padahal sebenarnya tidak signifikan.5 menunjukkan bahwa perbedaan mean adalah setengah dari standar deviasi. Hal ini menunjukkan bahwa jika peneliti mengharapkan bahwa ukuran efek akan kecil maka . Ukuran efek diartikan secara standar untuk mempermudah perbandingan. maka kemungkinan benar untuk menghasilkan efek berkurang. maka ukuran sampel selalu menghasilkan daya yang lebih besar dalam uji statistik. ketika ukuran efek kecil. Tabel 1 menggambarkan dampak dari ukuran sampel dan tingkat alpha pada kekuasaan. Ketika memeriksa ukuran efek. uji statistik memiliki sedikit daya. sehingga ukuran efek . walaupun dengan tingkat alpha yang lebih fleksibel atau ukuran sampel 200 atau lebih. ukuran efek didasarkan pada korelasi antar variabel. Sebuah contoh melibatkan uji perbedaan antara nilai rata-rata dari dua kelompok.05 dan . Oleh karena itu.(perbedaan atau korelasi) mempunyai makna. ukuran efek bisa menjadi pembeda mean antara dua kelompok atau korelasi antara variabel.05 atau . maka persen merupakan ukuran efek yang dikaitkan dengan perolehan gelar. 3. peneliti harus terlebih dahulu memahami efek yang dikaji. efek yang besar lebih nampak daripada efek yang kecil dan karenanya akan memepngaruhi daya uji statistik. Jika sebuah universitas mengklaim lulusan MBA-nya mendapatkan gaji awal 50 persen lebih tinggi dari rata-rata. Alpha (α) – ketika alfa menjadi lebih ketat. maka peneliti harus memutuskan jika daya tersebut terlalu tinggi. Para peneliti harus mempertimbangkan dampak dari tingkat daya alpha sebelum memilih tingkat alpha. Untuk korelasi. Yang kami maksud dengan "terlalu tinggi" adalah bahwa dengan bertambahnya ukuran sampel. Perhatikan bahwa dengan daya ukuran efek sedang mencapai tingkat yang dapat diterima pada ukuran sampel 100 atau lebih untuk tingkat alpha . Asumsikan bahwa ukuran efek diperkirakan berkisar antara kecil (0. jika ukuran efek kecil maka sampel 200 dengan alpha . 2. Sebagai contoh. Misalnya. Perbedaan mean (nilai rata-rata) dinyatakan dalam standar deviasi. Tetapi. maka akan muncul efek yang kecil (misalnya. korelasi).5). Ketika ukuran sampel meningkat. Peneliti kini harus menentukan tingkat alpha yang diperlukan dan ukuran sampel dari setiap kelompok. maka daya menurun. Ukuran sampel – ketika tingkat alfa diketahui.05 hanya memiliki kesempatan 50 persen perbedaan yang signifikan. Pedoman konvensional menunjukkan tingkat alpha .01. Untuk menilai daya dari tiap uji statistik. Peneliti harus selalu menyadari bahwa ukuran sampel dapat mempengaruhi uji statistik baik dengan membuatnya tidak sensitif (pada ukuran sampel kecil) atau terlalu sensitif (pada ukuran sampel yang sangat besar).2) dan sedang (0.

Apakah hasilnya karena efek ukuran. Ketika mempertimbangkan penerapan teknik statistik multivariat.10). berapa banyak variabel yang dijadikan sebagai dependen dalam Bagaimana mengukur variabel dependen dan independen? teori tertentu? 2. . Pemilihan teknik multivariat yang tepat tergantung pada jawaban ketiga pertanyaan di atas.penelitian harus memiliki ukuran sampel yang jauh lebih besar dan/atau tingkat alpha yang kurang restriktif (misalnya. ukuran sampel. . kami menyajikan klasifikasi metode multivariat pada Gambar 1. analisis tunggal? 3. Dalam design penelitian. Klasifikasi ini didasarkan pada tiga pertimbangan yang peneliti harus buat sehubungan tujuan penelitian dan sifat data: 1. KLASIFIKASI TEKNIK MULTIVARIAT Untuk membantu Anda dalam memahami teknik-teknik multivariat tertentu. Menggunakan Daya dengan Teknik Multivariat Peneliti dapat menggunakan analisis daya dalam design penelitian atau setelah pengumpulan data. Dapatkah variabel dibagi dalam klasifikasi independen dan dependen menurut Jika bisa. ukuran sampel dan tingkat alpha dipilih untuk mencapai daya yang diinginkan. Jawaban untuk pertanyaan pertama – Dapatkah variabel dibagi dalam klasifikasi independen dan dependen menurut teori tertentu? – menunjukkan apakah teknik dependence dan independence harus digunakan. Power juga diperiksa setelah analisis diselesaikan untuk menentukan daya aktual yang dicapai agar hasilnya dapat diinterpretasikan. atau tingkat signifikansi? Masing-masing faktor ini dinilai untuk menentukan dampaknya terhadap signifikansi atau nonsignifikansi hasil.

teknik independence adalah suatu teknik dimana tidak ada satu variabel atau sekelompok variabel didefinisikan menjadi independen atai dependen. Analisis faktor adalah contoh dari teknik interdependence. Contoh dari teknik dependence adalah analisis regresi berganda.Perhatikan bahwa dalam Gambar 1. . teknik dependence berada di sisi kiri dan teknik independence berada di sebelah kanan. Sedangkan. Teknik dependence bisa didefinisikan sebagai suatu teknik dimana variabel atau kumpulan variabelnya diidentifikasi sebagai variabel dependen yang diprediksi atau dijelaskan oleh variabel-variabel lain yang disebut dengan variabel independen.

.

korelasi kanonik dapat dianggap sebagai model umum karena ia mempunyai batasan dalam jenis dan jumlah variabel baik variate dependent maupun independent. Kedua. jika kumpulan hubungan variabel dependent/independent dijadikan dalil. Jika variabel independenya adalah metrik. Jika struktur variabel harus dianalisis. Pembaca akan ingat bahwa dengan teknik interdependence variabel tidak dapat diklasifikasikan baik sebagai dpendent maupun independent. Sebaliknya. maka kita harus melihat ke variabel independent. Ketika masalah penelitian menggunakan beberapa variabel dependen. Terakhir. teknik dependent dapat digolongkan sebagai teknik yang memiliki variabel dependen tunggal. tergantung pada jenis data yang dikumpulkan. maka teknik analisis varians multivariat (MANOVA) harus dipilih. semua variabel dianalisis secara simultan untuk mendapatkan struktur dasar dari seluruh kumpulan variabel atau subyek. maka teknik yang tepat adalah menggunakan analisis regresi berganda atau analisis konjoint. maka ada empat teknik analisis yang cocok. Seperti yang kita lihat.Teknik Dependence Teknik-teknik dependence yang berbeda dapat dikategorikan dengan dua karakteristik: (1) jumlah variabel dependen dan (2) jenis skala pengukuran yang digunakan oleh variabel. Analisis conjoint adalah kasus khusus. jika variabel dependen tunggal adalah nonmetric (categorical). Jika kasus atau responden harus dikelompokkan untuk mewakili struktur. Jika analisis menggunakan satu variabel dependen tunggal yang disebut metrik. teknik dependence dapat diklasifikasikan lagi sebagai teknik yang memiliki variabel dependent metrik (quantitative/numerical) atau nonmetrik (qualitative/ categorical). Teknik Interdependence Teknik interdependence ditampilkan pada sisi kanan Gambar 1. Jika beberapa variabel dependen adalah nonmetric. berkaitan dengan jumlah variabel dependen. Jika beberapa variabel dependen adalah metrik. maka teknik yang tepat adalah korelasi kanonik. Pertama. Tabel 2 menguraikan berbagai teknik dependence multivariat menurut sifat dan jumlah variabel dependen dan independen. yang dapat dilihat sebagai sebuah kesatuan teknik. maka teknik yang tepat adalah equation modelling. Sebuah hubungan yang erat terjadi antara beberapa prosedur dependence. maka analisis faktor atau analisis confirmatory factor menjadi teknik yang tepat. maka analisis . Jika variabel independentnya adalah nonmetric. Sebaliknya. atau bahkan beberapa hubungan dependent/independent. beberapa variabel dependent. Ia menggunakan prosedur dependence yang bisa berperan variabel dependent sebagai metrik atau nonmetrik. maka teknik yang tepat adalah menggunakan analisis diskriminan berganda dan model probabilitas linier. maka variabel tersebut dapat diubah melalui dummy variable yang berkode (0-1) dan analisis kanonik bisa lagi digunakan.

teknik pengukuran perlu dipertimbangkan. Jika interdependence obyek yang diukur dengan data nonmetrik harus dianalisis. Pendekatan metrik dan nonmetric terhadap perceptual mapping telah dikembangkan. Multiple regression dan multiple correlation 3. Teknik-teknik multivariat meliputi: 1. Cluster analysis . analisis faktor dan analisis cluster merupakan teknik interdependence metrik. data nonmetric dapat dirubah menjadi dummy variable coding untuk digunakan dalam analisis faktor dan kluster. Seperti halnya teknik dependence. Namun. Multivariate analysis of variance dan covariance 6. jika fokusnya adalah struktur objek. maka teknik yang harus digunakan adalah teknik perceptual mapping. JENIS TEKNIK MULTIVARIAT Analisis multivariat merupakan pengembangan dari sejumlah teknik analisis data. Principal components dan common factor analysis 2. Conjoint analysis 7. maka teknik yang tepat adalah analisis korespondensi. Cannonical correlation analysis 5. Multiple discriminant analysis dan logistic regression 4. Secara umum.cluster yang harus dipakai. Terakhir.

Demikian pula. peneliti mungkin mencoba . pengeluaran bulanan untuk makan di luar (variabel dependen) dapat diperkirakan dari informasi mengenai pendapatan keluarga. kebersihan. merupakan sebuah pendekatan statistik yang bisa digunakan untuk menganalisis hubungan timbal balik di antara sejumlah besar variabel dan menjelaskan variabel-variabel tersebut dari segi dimensi umum yang mendasarinya (faktor). misalnya. Tujuannya adalah menemukan cara kondensasi informasi yang terdapat dalam sejumlah variabel asli ke dalam kumpulan variate yang lebih kecil (faktor) tanpa kehilangan informasi. kebersihan. Structural equation modelling dan confirmatory factor analysis Berikut ini akan dijelaskan masing-masing teknik multivanate dan tujuan penerapannya. Seorang analis ingin menggabungkan enam variabel ini menjadi jumlah yang lebih kecil. Misalnya. Dengan menganalisa respons pelanggan. maka dibutuhkan regresi berganda. dan keramahan karyawan digabungkan membentuk faktor tunggal lain yang disebut kualitas layanan. analisis faktor menjadi landasan objektif dalam membuat summated scales. sedangkan variabel waktu tunggu.8. Multiple Regression Regresi berganda (multiple regression) adalah metode analisis yang cocok untuk masalah penelitian yang menggunakan variabel dependen metrik tunggal yang diduga terkait dengan dua atau beberapa variabel independen metrik. ukurannya. Principal Component Dan Common Factor Analysis Analisa faktor. Seorang peneliti bisa menggunakan analisis faktor. Perceptual mapping. Asumsikan Anda meminta pelanggan untuk memberi penilaian terhadap suatu restoran dengan enam variabel berikut: cita rasa makanan. dan umur kepala rumah tangga (variabel independen). suhu. dan kesegaran digabungkan membentuk satu faktor tunggal menjadi qualitas makanan. Dengan memberikan estimasi struktur empiris variabel. untuk lebih memahami hubungan antara rating pelanggan dari sebuah restoran cepat saji. Correspondence analysis 10. termasuk analisis komponen utama (principal component analysis) dan analisis faktor umum (common factor analysis). analis tersebut mungkin menemukan bahwa variabel cita rasa makanan. suhu makanan. Ketika peneliti ingin memprediksi jumlah atau ukuran variabel dependent. waktu tunggu. dan keramahan karyawan. kesegaran. Tujuan dari analisis regresi berganda untuk memprediksi perubahan variabel dependen akibat dari perubahan variabel independen. juga deikenal dengan multidimensionl scalling 9.

tujuannya adalah mengkorelasikan secara simultan beberapa variabel dependen metrik dan beberapa variabel independen metrik. Analisis diskriminan bisa digunakan untuk membedakan inovator dari noninnovator menurut profil demografis dan psikografis-nya.memprediksi penjualan perusahaan dari informasi mengenai pengeluaran iklannya. Model regresi logistik dibedakan dari analisis diskriminan terutama karena ia menampung semua jenis variabel independen (metrik dan nonmetric) dan tidak memerlukan asumsi normalitas multivariat. Teknik ini mirip dengan analisis regresi berganda dimana satu atau beberapa variabel independen digunakan untuk memprediksi variabel dependen tunggal. Sedangkan regresi berganda . variabel independen diasumsikan metrik. analisis diskriminan adalah teknik yang lebih tepat. Skala nonmetric dari variabel dependen membutuhkan perbedaan metode estimasi dan asumsi tentang jenis distribusi yang mendasarinya. Analisis diskriminan dapat diterapkan dalam situasi di mana total sampel dapat dibagi dalam kelompok-kelompok berdasarkan variabel dependen nonmetric yang bercirikan beberapa kelas yang dikenal (known class). dalam banyak kasus. dan jumlah toko yang menjual produk-produknya. Namun. ketika variabel dependen sudah benar dan teknik estimasi yang sesuai digunakan. maka digunakanlah regresi berganda. Multiple Discriminant Analysis dan Logistic Regression Analisis diskriminan berganda/Multiple discriminant analysis (MDA) adalah teknik multivanate yang cocok untuk variabel dependent tunggal yang dikotomis (misalnya. sering disebut sebagai logit analysis. Canonical Correlation Analisis korelasi kanonikal (canonical correlation canonical) dapat dilihat sebagai pengembangan logis dari analisis regresi berganda. adalah kombinasi dari regresi berganda dan analisis diskriminan berganda. Ingat bahwa analisis regresi berganda menggunakan variabel dependen tunggal metrik dan beberapa variabel independen metrik. tinggi-sedang-rendah) dan karenanya disebut nonmetric. Tujuan utama dari analisis diskriminan ganda adalah memahami perbedaan kelompok dan memprediksi kemungkinan bahwa entitas (individu atau objek) akan menjadi milik kelas atau kelompok tertentu berdasarkan beberapa variabel independen metrik. Dengan analisis kanonik. Model regresi logistik (logistic regression model). Yang membedakan antara model regresi logistik dengan regresi berganda adalah di dalam analisis diskriminan variabel dependent adalah nonmetric. Seperti halnya regresi berganda. priawanita) atau multikotomis (misalnya. terutama tingkat variabel terikat yang dua atau lebih. jumlah tenaga penjualan. Jadi. namun di sebagian besar aspek lainnya sangat mirip dengan regresi berganda.

di mana efek dari variabel ketiga dihilangkan dari korelasi. Prinsip yang mendasari adalah membuat kombinasi linear dari masing-masing kelompok variabel (baik independen dan dependen) dengan cara memaksimalkan korelasi antara dua kelompok. Asumsikan sebuah perusahaan ingin tahu apakah iklan lucu akan lebih efektif buat konsumennya dari pada ikan yang tak lucu. Analisis Multivariat Varians dan Kovarians Analisis varians multivariat (MANOVA) adalah teknik statistik yang dapat digunakan untuk mengeksplorasi hubungan antara beberapa variabel independen kategorikal (biasanya disebut sebagai perlakuan) dan dua atau beberapa variabel dependen metrik. Korelasi kanonik dapat digunakan untuk membandingkan persepsi dari perusahaan kelas dunia pada 50 pertanyaan dengan persepsi perusahaan. Penelitian ini kemudian bisa menyimpulkan apakah persepsi dari Perusahaan ¬ com berkorelasi dengan orang-orang dari perusahaan kelas dunia. Teknik ini akan memberikan informasi tentang korelasi keseluruhan persepsi serta korelasi antara masing-masing 50 pertanyaan. Asumsikan sebuah perusahaan melakukan sebuah studi yang mengumpulkan informasi tentang kualitas layanannya berdasarkan jawaban dari 50 pertanyaan metrik. ia merupakan pengembangan dari analisis univariat varians (ANOVA). Dengan demikian. Perusahaan tersebut lalu meminta agen periklanan untuk membuat dua jenis iklan – satu lucu dan satunya tidak lucu – dan kemudian menampilkan kedua iklan tersebut kepada sekelompok konsumen. Setelah melihat kedua iklan tersebut. Analisis multivariat kovarians (MANCOVA) bisa digunakan bersama dengan MANOVA untuk menghilangkan (setelah percobaan) efek dari setiap variabel independen metrik yang tidak terkontrol (dikenal sebagai kovariat) pada variabel dependen. dan korelasi kanonikal melibatkan beberapa variabel dependen. . Penelitian ini menggunakan pertanyaan dari penelitian kualitas layanan dan mencakup informasi pembandingan pada persepsi kualitas pelayanan "perusahaan kelas dunia" dan juga perusahaan tempat penelitian sedang dilakukan. Prosedur ini sama dengan korelasi parsial bivariat. seperti modern vs tradisional atau qualitas tinggi versus kualitas rendah. para konsumen diminta untuk menilai perusahaan dan produknya dari beberapa dimensi. MANOVA berguna bagi peneliti yang merancang situasi eksperimental (manipulasi beberapa variabel nonmetric) untuk menguji hipotesis tentang varians respon kelompok pada dua atau beberapa variabel dependen metrik.melibatkan variabel dependen tunggal. MANOVA akan menjadi teknik yang digunakan untuk menentukan tingkat perbedaan statistik antara persepsi pelanggan yang melihat iklan lucu versus konsumen yang melihat iklan yang tidak lucu.

Sebagai contoh dari analisis cluster. Teknik cluster digunakan untuk mengidentifikasi kelompok. . dimana entitas dipartisi kedlaam beberapa kelompok (cluster). dengan masing-masing dari ketiga tingkatan yang ada (misalnya. tujuannya adalah untuk mengklasifikasikan sampel entitas (individu atau objek) ke dalam sejumlah kecil kelompok yang saling berbeda berdasarkan kesamaan di antara entitas. asumsikan seorang pemilik restoran ingin mengetahui apakah konsumen menjadikan suatu restoran sebagai langganan karena beberapa alasan yang berbeda. dan sebagainya. seperti produk. jasa. Selain itu. merah. kuning. Secara khusus. Cluster Analysis Analisis cluster (cluster analysis) adalah suatu teknik analitis untuk mengembangkan sub kelompok yang bermakna bagi individu atau objek. Analisis cluster dapat digunakan untuk menentukan apakah beberapa sub kelompok (cluster) sangat termotivasi oleh harga yang rendah dibandingkan dengan mereka yang jauh kurang termotivasi untuk datang ke restoran berdasarkan pertimbangan harga.Conjoint Analisis Analisis conjoint (conjoint analysis) adalah teknik dependence yang membawa kecanggihan baru dalam menilai obyek. Pertama adalah pengukuran kesamaan bentuk atau keterkaitan antara entitas untuk menentukan berapa banyak kelompok yang benar-benar ada dalam sampel. hasil analisis conjoint juga dapat digunakan dalam simulator desain produk. Tahap terakhir adalah memprofil orang atau variabel untuk menentukan komposisinya. kualitas. dan peneliti mengetahui tidak hanya seberapa penting setiap atribut tetapi juga pentingnya setiap tingkat (misalnya. daya tarik warna merah vs kuning vs biru). Daripada harus menghitung semua kombinasi 27 (3 X 3 X 3). maka subset (9 atau lebih) bisa dihitung karena daya tariknya kepada konsumen. yang menunjukkan penerimaan konsumen atas sejumlah formulasi produk dan membantu dalam desain produk yang optimal. yang memungkinkan melakukan evaluasi terhadap produk yang kompleks dengan tetap menjaga konteks keputusan yang realistis bagi responden Para peneliti pasar bisa menilai pentingnya atribut serta tingkat setiap atribut ketika konsumen mengevaluasi hanya beberapa profil produk. Data dapat dikumpulkan berdasarkan persepsi harga. atau ide baru. kualitas makanan. dan warna). Asumsikan sebuah konsep produk memiliki tiga atribut (harga. Tahap kedua adalah proses pengelompokan yang sebenarnya. setelah evaluasi konsumen selesai. Aplikasi yang paling langsung adalah dalam pengembangan jasa atau produk baru. dan biru). Analisis cluster biasanya melibatkan setidaknya tiga tahapan. yang merupakan kombinasi dari tingkat produk.

Analisis korespondensi berbeda dengan teknik interdependensi atas kemampuannya untuk mengakomodasi data nonmetric dan hubungan nonlinier. Hasil penelitian menunjukkan bahwa Burger King yang paling mirip dengan Wendy. tetapi analisis tambahan diperlukan untuk menjelaskan atau menilai atribut mana yang memprediksi posisi setiap objek. mari kita asumsikan seorang pemilik waralaba Burger King ingin mengetahui apakah pesaing terkuatnya adalah McDonald atau Wendy. Jika obyek A dan B dinilai oleh responden sangat mirip dibandingkan dengan semua pasangan obyek lain. Para peneliti terus-menerus dihadapkan dengan keharusan untuk "mengukur data kualitatif" yang ada dalam variabel nominal. yang merupakan perhitungan silang dari dua variabel kategori. Sebagai contoh. Dalam bentuknya yang paling dasar. pekerjaan) dengan menunjukkan berapa banyak orang yang memilih setiap merek masuk dalam setiap kategori variabel demografis. Kemudian mengubah data nonmetric menjadi tingkat metrik dan melakukan pengurangan dimensi (mirip dengan analisis faktor) dan pemetaan persepsi. analisis korespondensi mennggunakan tabel kontingensi. jenis kelamin. kategori pendapatan. Sebagai contoh dari pemetaan persepsi. Hasil peta persepsi menunjukkan posisi relatif dari semua obyek. piliham merek responden dapat dihitung pada variabel demografis (misalnya. Analisis korespondensi menunjukkan representasi multivariat interdependensi untuk data nonmetric yang tidak mungkin dengan metode lain.Perceptual Mapping Dalam pemetaan persepsi / perceptual mapping (juga dikenal dengan multidimensional scalling). sehingga pemilik tahu bahwa pesaing terkuat adalah restoran Wendy karena dianggap menjadi yang paling mirip. maka teknik pemetaan persepsi akan memposisikan objek A dan B sedemikian rupa sehingga jarak antara mereka dalam ruang multidimensi lebih kecil dari jarak antara pasang objek yang lain. produk. Sampel konsumen diberikan survei dan diminta untuk menilai pasangan restoran dari yang paling mirip sampai dengan yang kurang mirip. orang) pada seperangkat atribut nonmetric. Correspondence Analysis Analisis korespondensi (correspondence analysis) adalah teknik interdependensi yang dibuat untuk mempermudah pemetaan persepsi obyek (misalnya. Analisis tindak lanjut dapat mengidentifikasi atribut apa yang mempengaruhi kesamaan dan perbedaan persepsi. tujuannya adalah untuk mengubah penilaian kesamaan atau pilihan konsumen (misalnya pilihan toko atau merek) menjadi jarak diwakili dalam ruang multidimensi. Melalui .

tetapi memiliki efek tidak langsung melalui hubungannya dengan prestasi kerja. Oleh karena itu. Structural Equation Modelling dan Confirmatory Factor Analysis Structural Equation Modeling (SEM) merupakan teknik yang memungkinkan hubungan setiap perangkat variabel dependen. keterkaitan. Selain hubungan ini. atau petunjuk lain memungkinkan peneliti untuk membedakan mana variabel independen yang memprediksi setiap variabel dependen. lingkungan kerja. Dorongan pengawas dan lingkungan kerja tidak hanya mempengaruhi kepuasan pekerja secara langsung. Model-model dalam variabel dependen berganda – analisis varians multivariat korelasi kanonikal – tidak dipakai dalam situasi ini karena mereka hanya membolehkan hubungan tunggal antara variabel dependen dan variabel independen. Dalam pengertian yang paling sederhana. Model struktural adalah model jalan. yang menghubungan variabel independen dengan variabel dependen. tetapi saling terkait. para konsultan juga mengembangkan multi-item skala untuk setiap konstruk (supervisor dukungan." merek dan perbedaan karakteristik dari pilihan merek ditampilkan dalam peta dua atau tiga dimensi dari kedua merek dan karakteristik responden. pengalaman sebelumnya. dan kepuasan pekerja). prestasi kerja. peneliti bisa menilai kontribusi dari setiap item skala serta menggabungkan seberapa baik skala pengukuran konsep (reliability). Dalam analisis faktor konfirmatori.analisis korespondensi. pemodelan persamaan struktur (structural equation modelling) merupakan teknik perhitungan yang paling efisien dan cocok bagi serangkaian persamaan regresi berganda. yang juga merupakan prediktor kepuasan pekerja. mereka mencatat hubungan terpisah dimana dorongan pengawas dan lingkungan kerja menjadi predikotor yang unik dalam prestasi kerja. lingkungan kerja. tetapi juga menggabungkan multi-item skala dalam . Model pengukuran memungkinkan peneliti menggunakan beberapa variabel (indikator) untuk variabel independen atau variabel dependent tunggal. seperti harga diri. teori. Dalam usaha untuk menilai hubungan ini. mereka memiliki dua hubungan yang terpisah. Dalam situasi seperti itu. Begitupula. Hal ini ditandai oleh dua komponen dasar: (1) model struktural dan (2) model pengukuran. SEM menyediakan sarana untuk tidak hanya menilai setiap hubungan secara bersamaan. Misalnya. perbedaan karakteristik responden dalam memilih setiap merek ditentukan oleh kedekatan kategori variabel demografi dari posisi merek tersebut. dan prestasi kerja. Sebuah studi oleh konsultan manajemen mengidentifikasi beberapa faktor yang mempengaruhi kepuasan pekerja: dorongan pengawas. atau "korespondensi. variabel dependen mungkin merupakan konsep yang diwakili oleh summated scale. Merek yang dianggap sama berada dekat dengan satu sama lain.

yang diukur dengan probabilitas antara 0 dan 100 bahwa pelanggan akan berbelanja lagi di perusahaan tersebut. analisis regresi dilakukan untuk memprediksi niat pembelian kembali.05. "apa jadinya?" untuk setiap aplikasi manajerial. Seorang peneliti jangan hanya melihat pada signifikansi statistik dari hasil tetapi juga pada signifikansi praktis-nya. Penelitian dilakukan dan hasilnya kembali signifikan pada tingkat signifikansi . Namun. Signifikansi praktis menanyakan pertanyaan. kami mengingatkan peneliti untuk melanjutkan hanya ketika telah dikembangkan konsep dasar untuk mendukung teknik yang dipilih. Hubungan "statistik signifikan" ini bisa memiliki tingkat kesalahan 40 persen. Sebagai contoh. Kita telah membahas beberapa isu terutama pemakaian analisis multivariat. hasilnya harus menawarkan efek yang nyata yang membenarkan tindakan. . Eksekutif terburu-buru untuk mengambil hasil tersebut dan selanjutnya mengubah strategi perusahaan.05. yang seringkali diambil dari signifikansi praktisnya. menunjukkan tingkat yang tidak dapat diterima sebagai bahan untuk mengambil tindakan. Dalam lingkup akademik. dan meskipun tidak ada"jawaban" tunggal. Pelanggan yang diperkirakan memiliki peluang 50 persen kembali benar-benar bisa memiliki probabilitas dari 30 persen menjadi 70 persen. kemampuan prediktif sangat rendah bahwa estimasi probabilitas pembelian kembali bisa bervariasi sebanyak ± 20 persen dengan tingkat signifikansi . apa yang terjadi tanpa disadari adalah bahwa bahkan meskipun hubungan tersebut signifikan. Banyak peneliti menjadi kurang jelas hanya memfokuskan pada signifikansi hasil tanpa memahami interpretasinya. baik atau buruk. Panduan ini meliputi: Menetapkan Signifikansi Praktis dan Signifikansi Statistik Daya analisis multivariat adalah kemampuan magis-nya dalam memilih sejumlah alternatif dan menemukan signifikansi statistik.analisis untuk memperhitungkan kesalahan pengukuran yang terkait dengan masing-masing skala. PEDOMAN INTERPRETASI DAN ANALISIS MULTIVARIAT Karakter yang beragam dari analisis multivariat 'menghasilkan kemammpuan analitis dan prdiktif yang cukup kuat. penelitian menjadi lebih terfokus tidak hanya pada hasil yang signifikan secara statistik tetapi juga pada implikasi substantif dan teoritis-nya. Menghadapi kompleksitas ini. kita menemukan bahwa analisis dan interpretasi dari masalah multivariat bisa dibantu dengan mengikuti beberapa pedoman umum. Daya ini menjadi sangat menggoda ketika peneliti tidak yakin dari desain analisis yang paling tepat dan bukan bergantung pada teknik multivariat sebagai pengganti untuk pengembangan konseptual diperlukan.

dapat membuat tes statistik terlalu sensitif. peneliti tidak hanya mengetahui gambaran umumnya tapi juga tahu bagaimana mencari formulasi alternatif dari model asli yang dapat membantu dalam penyesuaian model. Dampak serupa juga terjadi pada ukuran sampel yang besar. Namun. Ukuran sampel yang tidak setara antar kelompok mempengaruhi hasil dan memerlukan interpretasi atau analisis tambahan. Melalui cara teknik diagnostik memungkinkan penemuan hubungan-multivariat dengan cara yang sangat mirip dengan metode univariat dan bivariat. scatterplots korelasi dan boxplots perbandingan rata-rata). Peneliti multivariat harus memanfaatkan langkah-langkah diagnostik untuk memahami data dan hubungan dasarnya. Dengan demikian. peneliti harus memeriksa semua hasil yang signifikan untuk memastikan mereka memiliki signifikansi praktis karena daya peningkatan statistik dari ukuran sampel. jalan pintas seperti ini dapat menjadi awal bencana. Akibatnya. baik ukuran sampel kecil maupun besar. seorang peneliti atau pengguna teknik multivariat harus selalu menilai hasil mengingat sampel yang digunakan dalam analisis. kecenderungan adalah untuk menerima hasil tanpa pemeriksaan dalam analisis univariat dan bivariat (misalnya. dan missing data bisa mempengaruhi beberapa variabel untuk membuat efek yang cukup besar. Namun. Ketahui Data Anda Teknik multivariat. Ketika ukuran sampel melebihi 400 responden. ciri ini tidak harus menggantikan pengembangan model konseptual sebelum teknik multivariat diterapkan. Meskipun sebaiknya menghindari penghilangan variabel prediktor . seperti hubungan nonlinear dan interaktif. Analisis multivariat memerlukan pemeriksaan data yang lebih ketat karena pengaruh outlier. Upayakan Model Yang Sesederhana Teknik multivariat dirancang untuk mengakomodasi beberapa variabel dalam analisis.Ketahui Bahwa Ukuran Sampel Mempengaruhi Semua Hasil Pembahasan mengenai daya statistik yang menunjukkan dampak besar ukuran sampel berperan dalam mencapai signifikansi statistik. kecanggihan dan kompleksitas dari teknik multivariat dengan mudah dapat menghasilkan (1) daya uji statistik yang terlalu sedikit untuk mengidentifikasi hasil yang signifikan atau (2) terlalu mudah "overfitting" data sehingga hasilnya baik karena menyesuaikan sampel yang belum mempunyai generalisasi. seperti analisis diskriminan atau MANOVA. kesalahan asumsi. Untuk sampel yang lebih kecil. Ukuran sampel juga mempengaruhi hasil ketika analisis melibatkan kelompok responden. Dengan pemahaman ini. mengidentifikasi hubungan yang kompleks yang sulit untuk direpresentasikan secara sederhana.

2. Kumpulkan sampel yang terpisah untuk memastikan bahwa hasilnya sesuai Gunakan teknik bootstrapping. namun ia dapat menutupi efek sebenarnya karena peningkatan multikolinieritas. Ketika multikolinearitas menigkat. ada beberapa metode untuk memvalidasi hasil: 1. apakah kesalahan tersebut merupakan akibat dari analisis regresi. Variabel yang tidak relevan biasanya meningkatkan kemampuan teknik untuk menyesuaikan data sampel. "kenapa bisa begitu?" Jawaban terbaik adalah dengan melihat kesalahan prediksi.penting. 3. atau outlier di dalam analisis cluster. Meskipun variabel yang tidak relevan biasanya tidak membiaskan estimasi variabel yang relevan. yang memvalidasi model multivariat dengan untuk sampel yang lain. Penambahan variabel yang signifikan atau tidak relevan hanya dapat menambah tingkat multikolinearitas. Namun. kita sulit mendapatkan prediksi terbaik dalam analisis pertama. Membagi-bagi sampel dan menggunakan sub-sampel pertama untuk memperkirakan model dan subsample kedua untuk memperkirakan akurasi prediksi. Multikolinieritas menunjukkan tingkat dimana suatu efek variabel dapat diprediksi atau dicatat oleh variabel lain dalam analisis. yang menyebabkan interpretasi semua variabel menjadi lebih sulit. peneliti harus menggunakan kesalahan prediksi bukan sebagai ukuran kegagalan atau sesuatu untuk dihilangkan. Validasi Hasil Anda Kemampuan analisis multivariat untuk mengidentifikasi hubungan yang kompleks juga berarti bahwa hasilnya hanya dikhususkan pada sampel dan tidak digeneralisasikan pada populasi. dan kemudian menentukan nilai parameter dari setiap model dengan menghitung rata-rata setiap koefisien . Dalam setiap kasus. Lihatlah Kesalahan Anda Meskipun dengan daya statistik teknik multivariat. tetapi dengan mengorbankan kelebihan data sampel dan membuat hasilnya kurang digeneralisasikan ke populasi. tapi sebagai titik awal untuk mendiagnosis validitas hasil yang diperoleh dan indikasi hubungan yang tidak dapat dijelaskan. namun peneliti harus menghindari memasukkan sembarang variabel dan membiarkan teknik multivariat “memilah-milah” variabel yang relevan karena dua alasan mendasar: 1. membuat sejumlah subsample. 2. kesalahan klasifikasi observasi dalam analisis diskriminan. Peneliti kemudian dihadapkan dengan pertanyaan. kemampuan untuk menentukan suatu efek variabel menjadi berkurang. Peneliti harus selalu memastikan bahwa ada observasi per parameter untuk menghindari "overfitting" sampel. memperkirakan model setiap subsampel. yang diistilahkan specification error.

sebaliknya. menafsirkan. pendekatan enam tahap analisis multivariat disajikan. selanjutnya isu-isu empiris dapat dikemukakan. peneliti harus berusaha tidak hanya untuk memperkirakan model yang signifikan tetapi juga memastikan bahwa itu adalah representasi dari keseluruhan populasi. Persoalan mulai dari definisi masalah sampai pada diagnosis hasil harus dibenahi. yang diawali dari model konseptual yang menjelaskan hubungan yang dikaji. termasuk pemilihan teknik multivariat yang spesifik dan masalah implementasinya. TERSTRUKTUR DALAM PEMBENTUKAN MODEL . Terakhir. Setelah mendapatkan hasil yang signifikan. langkahlangkah diagnostik memastikan bahwa model tersebut berlaku tidak hanya untuk data sampel tetapi itu adalah juga dijadikan generalisasi. kita fokus pada interpretasi. Ketika sebuah teknik multivariat digunakan. Pendekatan ini juga tidak bergantung pada asumsi statistik untuk menilai apakah parameter berbeda dari nol. dengan memperhatikan variate. Peran pengembangan model konseptual. Tidak peduli apakah di dalam penelitian terapan atau akademik. Tujuan dan Teknik Multivariat Yang Digunakan Titik awal dari setiap analisis multivariat adalah mendefinisikan masalah penelitian dan tujuan analisis berdasarkan konseptualnya sebelum menentukan setiap variabel atau tindakan. Tujuannya adalah bukan untuk menjadi prosedur yang kaku tapi. Enam proses ini menjadi kerangka kerja untuk mengembangkan. Tahap 1: Menentukan Rumusan Masalah.semua model subsampel. tidak dapat dilebih-lebihkan. PENDEKATAN MULTIVARIAT Sesuai pembahasan tentang teknik multivariat bagi peneliti dan sejumlah persoalan dalam aplikasinya. Setelah ditentukan konsep. maka menjadi jelas bahwa keberhasilan aplikasi analisis multivariate melibatkan lebih dari hanya sekedar memilih metode yang tepat. peneliti harus terlebih dahulu melihat masalah secara konseptual dengan mendefinisikan konsep dan mengidentifikasi hubungan dasarnya. dan memvalidasi setiap analisis multivariat. tetapi dengan adanya penjelasan tentang masing-masing tekeknik menjadi pedoman. atau teori. Setiap peneliti harus mengembangkan kriteria "sukses" atau "kegagalan" pada setiap tahapan. Untuk membantu peneliti atau pengguna metode multivariat. Pendekatan ini memfokuskan analisis pada rancangan penelitian yang jelas. menjadi pedoman dalam pendekatan pembentukan model.

Tahap 4: Menilai Model Multivariat dan Menilai Ketepatan Model Setelah asumsi dipenuhi. tugas pertama adalah bukan menilai model multivariat tetapi menilai asumsi yang mendasarinya. Tahap 3: Menilai Asumsi Yang Mendasari Teknik Multivariat Setelah pengumpulan. melainkan berupa representasi sederhana dari hubungan untuk dikaji. rotasi faktor atau fungsi diskriminan). maka asumsi normalitas normalitas. yang secara substansial mempengaruhi kemampuan representasi hubungan multivariat. linieritas. didefinisikan secara dependence dan independence. Variabel untuk setiap konsep sudah harus ditentukan sebelum melakukan penelitian. Perhatikan bahwa suatu konsep (ide atau topik). tingkat signifikansi). Masalah-masalah menyangkut pertimbangan umum seperti ukuran sampel minimum atau yang diinginkan dan jenis variabel yang dibolehkan atau yang dinginkan (metrik versus nonmetrik) dan metode estimasi. mengidentifikasi hubungan yang diusulkan. baik secara statistik maupun secara konseptual. peneliti bisa memilih beberapa opsi untuk memenuhi karakteristik data (misalnya. perhatian beralih pada isu-isu implementasi. Dalam proses penilaian. Cara ini bertujuan untuk meminimalisisr penghapusan konsepkonsep yang relevan dalam pengembangan langkah-langkah dan penentuan design penelitian. . analisis berlanjut pada penilaian model multivariat dan penilaian ketepatan model. dan kesetaraan varians harus terpenuhi. peneliti tinggal memilih teknik multivariat yang sesuai berdasarkan karakteristik pengukuran variabel dependen dan independen. Dengan adanya model konseptual dan tujuan. selanjutnya penilaian ketepatan model guna memastikan apakah telah mencapai tingkat yang dapat diterima sesuai kriteria statistik (misalnya. peneliti perlu menentukan konsep dependen dan independen. dimensi struktur atau kesamaan harus ditentukan. Karena teknik ini berdasarkan inferens statistik. Jika hubungan dependence diusulkan sebagai tujuan penelitian. bukan sebuah variabel tertentu. penggunaan kovariat di MANOVA) atau memaksimalkan ketepatan data (misalnya. dan mencapai signifikansi praktis. Untuk aplikasi teknik interdependence.Sebuah model konseptual tidak perlu kompleks dan rinci. Tahap 2: Membuat Rencana Analisis Dengan adanya model konseptual dan teknik multivariat. independence tingkat kesalahan. Setelah penilaian model. Setiap teknik juga menggunakan serangkaian asumsi konseptual yang berkaitan dengan masalah-masalah seperti formulasi model dan jenis representansi hubungan.

Peneliti juga harus menentukan apakah hasilnya dipengaruhi oleh satu atau beberapa observasi yang menunjukkan hasilnya tidak stabil atau tidak bisadigeneralisasikan. Analisis diagnostik ini memberikan sedikit tambahan dalam interpretasi hasil tetapi bisa dianggap sebagai "jaminan" bahwa hasil tersebut merupakan gambaran keseluruhan data yang bisa digeneralisasikan kedalam populasi. dan validasi. Tujuannya adalah untuk mengidentifikasi bukti empiris hubungan multivariat dalam data sampel yang dapat digeneralisasikan pada seluruh populasi. dimana model ini dinilai ulang dan kemudian diinterpretasikan kembali. pendekatan enam tahap dalam model multivariat akan digambarkan dalam flowchart keputusan menjadi dua bagian. Upaya untuk memvalidasi model diarahkan pada penggeneralisasian hasil pada seluruh populasi. Interpretasi ini dapat menyebabkan pengulangan spesifikasi variabel dan/atau formulasi model. pertimbangan desain penelitian. langkah selanjutnya adalah menginterpretasikan variate yang menunjukkan sifat dari hubungan multivariat. peneliti harus melakukan tahp terakhir yaitu menilai tingkat generalisasi hasil melalui metode validasi. Interpretasi dari efek variabel dibuat dengan memeriksa koefisien (bobot) setiap variabel dalam variate. Data ini berasal dari industri HBAT (HBAT). Setiap data diasumsikan berdasarkan survei konsumen HBAT melalui situs Web yang dilakukan oleh lembaga peneliti pemasaran terkemukan. Database Primer . Tahap 6: Validasi Model Multivariat Sebelum menerima hasil. Lembaga penelitian ini menghubungi para manajer pembelian dan meminta mereka untuk berpartisipasi. Data tersebut dilengkapi dengan informasi lain yang dibuat dan disimpan dalam data HBAT dan dapat diakses melalui sistemnya. Untuk melakukannya. manajer login ke Website dan mengisi survei. sebuah pabrik kertas. kita menggunakan data hipotetis. dan uji asumsi). interpretasi. Flowchart keputusan ini membantu peneliti dalam menerapkan pendekatan struktural model teknik multivariat. Bagian kedua dari flowchart keputusan (tahap 4 sampai 6) berkaitan dengan estimasi model. DATABASE Untuk menjelaskan dan menggambarkan setiap teknik multivariat secara lengkap. Tahap 5: Menginterpretasikan Variat Setelah memenuhi tingkat ketepatan model. Bagian pertama (tahap 1 sampai 3) berkaitan dengan masalah persiapan model (yaitu. tujuan penelitian. Sebuah Flowchart Keputusan Untuk setiap teknik multivariat.

dianggap paling berpengaruh dalam pemilihan pemasok dalam industri kertas. Jenis informasi pertama adalah persepsi kinerja HBAT pada 13 atribut. dan penelitian sebelumnya. Dengan menganalisis data tersebut. didasarkan pada studi segmentasi pasar para konsumen HBAT. pretest. Produk kertas tersebut dijual secara langsung maupun lewat broker. Gambaran ringkas mengenai variabel database ditampilkan dalam Tabel 3. Kedua jenis informasi ini dikumpulkan lewat survey. HBAT menjual produk kertas pada dua segmen pasar: industri kertas koran dan industri majalah. yang terdiri dari 100 observasi pada 18 variabel terpisah. HBAT dapat mengembangkan pemahaman yang lebih baik mengenai karakteristik pelanggan dan hubungan antara persepsi mengenai HBAT. dengan 10 adalah "Sangat Bagus" dan 0 menjadi "jelek. yang dibuat melalui kelompok fokus. dan matrik dan nonmatrik. kepuasan dan kemungkinan untuk membeli). di mana variabel-variabelnya diklasifikasikan menjadi dependent dan independent. Atribut ini. dan perlakuan terhadap HBAT (misalnya. Respondennya termasuk para manajer pembeli di HBAT. kepuasan terhadap HBAT dan apakah perusahaan mau melakukan afiliasi atau partnership strategis dengan HBAT).Database primer. dan manajer tersebut menilai HBAT pada 13 atribut yang menggunakan skala 0 – 10. Jenis informasi ketiga berkaitan dengan warehouse data HBAT dan termasuk informasi jumlah konsumen lamanya hubungan jual beli. HBAT akan berada dalam posisi yang baik untuk mengembangkan rencana pemasaran nya di tahun mendatang. . Jenis informasi kedua berkaitan untuk hasil pembelian dan hubungan bisnis (misalnya. Dari pemahaman pelanggan ini.

. Setiap persepsi responden terhadap HBAT pada perangkat fungsi bisnis diukur dengan skala grafik. Setelah pengambilan sampel responden untuk dijadikan penelitian pemasaran perusahaan. seperti yang nampak di bawah ini. Kelima variabel tersebut meliputi: PERSEPSI TERHADAP HBAT. dimana garis 10 centiemter dibuat antar ujung dengan label “buruk” dan “sangat baik”.VARIABEL KLASIFIKASI WAREHOUSE DATA. ada lima variabel diektraksi dalam warehouse data HBAT untuk menunjukkan karakteristik dasar perusahaan dan hubungan bisnisnya dengan HBAT.

Tempat menandai dinilai secara elekronik dan jarak 0 (dalam centimeter) dicatat dalam database.Sebagai bagian dari survey. Lima ukuran khusus diperoleh yang menunjukkan hasi ldari hubungan pembelian responden dengan HBAT. para responden menyatakan persepsi mereka dengan menandai pada bagian garis. Hasilnya kemudian dibuatkan skala dari 0 sampai 10. 13 atirbut dari HBAT yang dinilai oleh masing-masing reponden adalah sebagai berikut: diantara re HASIL PEMBELIAN. Ukuran-ukuran tersebut meliputi: .

Sign up to vote on this title
UsefulNot useful