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.

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

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

kita tidak bisa hanya menyatakan hal yang sama dengan pada data ordinal (misalnya. seperti Celcius. agar data nonmetric tidak salah digunakan sebagai data metrik. Memahami perbedaan jenis-jenis skala pengukuran ini penting karena dua alasan: 1. Dengan menggunakan nilai-nilai ini sebagai ukuran kepuasan. 40°F pada skala Celsius adalah 4.0 = 6. dan begitupula sebaliknya (seperti contoh mengenai gender. Skala pengukuran juga penting dalam menentukan teknik-teknik multivariat yang paling cocok dalam suatu data.4°C. Skala rasio menunjukkan bentuk tertinggi dari ketepatan pengukuran karena ia memiliki kelebihan dari semua skala yang lebih rendah ditambah dengan absolute zero point.4°C X 2 ≠ 26. Skala interval yang paling terkenal adalah skala suhu Fahrenheit dan Celcius. dimana 1 untuk laki-laki dan 2 untuk perempuan). mencari nilai rata-rata gender). mengenai variabel independen dan dependen. Peneliti harus mengidentifikasi skala pengukuran setiap variabel yang digunakan. Misalnya. Kesalahan pengukuran adalah sejauh mana nilai-nilai yang diamati tidak mewakili . panasnya tidak dua kali lebih besar. 100 pon adalah dua kali lebih berat dari 50 pon.7°C. adalah 26.5) daripada perbedaan antara produk B dan C (12.0 unit. maka ia bisa digunakan dengan tidak tepat (misalnya. dan produk C adalah 12 unit. karena kita tahu bahwa 80°F.0 – 2. PENGARUH PEMILIHAN SKALA PENGUKURAN. Skala kamar mandi atau mesing timbangan laing merupakan contoh dari skala ini. Kesalahan Pengukuran dan Pengukuran Multivariat Penggunaan variabel berganda dan kombinasinya (variate) dalam teknik multivariat juga memfokuskan perhatian pada masalah lain – kesalahan pengukuran (measurement error).bahwa produk A adalah 2. sedangkan skala rasio menggunakan absolute zero point. namun seseorang tidak bisa mengatakan bahwa panas 80°F adalah dua kali panasnya dari 40°F karena.5 unit dari ujung kiri. Satu-satunya perbedaan nyata antara skala interval dan rasio adalah skala interval menggunakan arbitrary zero point.0 – 6. Skala Rasio. Semua hitungan matematika bisa menggunakan pengukuran skala rasio. produk B adalah 6. karena mereka memiliki absolute zero point dan bisa dinyatakan dalam kelipatan ketika dikaitkan dengan skala lain.5 = 3. urutan peringkat produk). misalnya. Meskipun 80°F dua kali panasnya dari 40°F.0). Demikian pula. tetapi kita juga bisa melihat bahwa perbedaan antara produk A dan B jauh lebih kecil (6. Jika peneliti tidak benar mendefinisikan ukuran ini sebagai metrik.7°C. 2. pada skala yang berbeda. yaitu 4. 80°F tidak bisa dibenarkan mengatakan dua kali lebih panas dari 40°F. menggunakan skala yang berbeda.

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

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

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

korelasi). uji statistik memiliki sedikit daya. Peneliti kini harus menentukan tingkat alpha yang diperlukan dan ukuran sampel dari setiap kelompok.01. Asumsikan bahwa ukuran efek diperkirakan berkisar antara kecil (0. ukuran efek didasarkan pada korelasi antar variabel. jika ukuran efek kecil maka sampel 200 dengan alpha . Yang kami maksud dengan "terlalu tinggi" adalah bahwa dengan bertambahnya ukuran sampel. 2.5). ukuran efek bisa menjadi pembeda mean antara dua kelompok atau korelasi antara variabel. maka ukuran sampel selalu menghasilkan daya yang lebih besar dalam uji statistik. Ukuran efek diartikan secara standar untuk mempermudah perbandingan. Ukuran sampel – ketika tingkat alfa diketahui. Jika sebuah universitas mengklaim lulusan MBA-nya mendapatkan gaji awal 50 persen lebih tinggi dari rata-rata. ketika peneliti mengatakan sesuatu yang salah bahwa efek signifikan padahal sebenarnya tidak signifikan. maka akan muncul efek yang kecil (misalnya.(perbedaan atau korelasi) mempunyai makna. Pedoman konvensional menunjukkan tingkat alpha . efek yang besar lebih nampak daripada efek yang kecil dan karenanya akan memepngaruhi daya uji statistik. Ketika memeriksa ukuran efek. peneliti harus terlebih dahulu memahami efek yang dikaji. ketika ukuran efek kecil. Perhatikan bahwa dengan daya ukuran efek sedang mencapai tingkat yang dapat diterima pada ukuran sampel 100 atau lebih untuk tingkat alpha .01. Untuk menilai daya dari tiap uji statistik. 3. Misalnya. 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). Untuk korelasi. Para peneliti harus mempertimbangkan dampak dari tingkat daya alpha sebelum memilih tingkat alpha. Tabel 1 menggambarkan dampak dari ukuran sampel dan tingkat alpha pada kekuasaan. Ketika ukuran sampel meningkat. maka persen merupakan ukuran efek yang dikaitkan dengan perolehan gelar.05 dan . sehingga ukuran efek . Alpha (α) – ketika alfa menjadi lebih ketat.05 atau . Sebagai contoh.5 menunjukkan bahwa perbedaan mean adalah setengah dari standar deviasi.05 hanya memiliki kesempatan 50 persen perbedaan yang signifikan. walaupun dengan tingkat alpha yang lebih fleksibel atau ukuran sampel 200 atau lebih. Hal ini menunjukkan bahwa jika peneliti mengharapkan bahwa ukuran efek akan kecil maka .2) dan sedang (0. maka kemungkinan benar untuk menghasilkan efek berkurang. Oleh karena itu. maka peneliti harus memutuskan jika daya tersebut terlalu tinggi. Perbedaan mean (nilai rata-rata) dinyatakan dalam standar deviasi. Sebuah contoh melibatkan uji perbedaan antara nilai rata-rata dari dua kelompok. Tetapi. maka daya menurun.

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

teknik independence adalah suatu teknik dimana tidak ada satu variabel atau sekelompok variabel didefinisikan menjadi independen atai dependen. . Contoh dari teknik dependence adalah analisis regresi berganda. teknik dependence berada di sisi kiri dan teknik independence berada di sebelah kanan. 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. Analisis faktor adalah contoh dari teknik interdependence.Perhatikan bahwa dalam Gambar 1. Sedangkan.

.

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

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

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

terutama tingkat variabel terikat yang dua atau lebih. Jadi. maka digunakanlah regresi berganda. Sedangkan regresi berganda . Model regresi logistik dibedakan dari analisis diskriminan terutama karena ia menampung semua jenis variabel independen (metrik dan nonmetric) dan tidak memerlukan asumsi normalitas multivariat. analisis diskriminan adalah teknik yang lebih tepat. Skala nonmetric dari variabel dependen membutuhkan perbedaan metode estimasi dan asumsi tentang jenis distribusi yang mendasarinya. ketika variabel dependen sudah benar dan teknik estimasi yang sesuai digunakan. 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. adalah kombinasi dari regresi berganda dan analisis diskriminan berganda. Yang membedakan antara model regresi logistik dengan regresi berganda adalah di dalam analisis diskriminan variabel dependent adalah nonmetric. jumlah tenaga penjualan. Analisis diskriminan bisa digunakan untuk membedakan inovator dari noninnovator menurut profil demografis dan psikografis-nya. tinggi-sedang-rendah) dan karenanya disebut nonmetric. Namun. 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. Canonical Correlation Analisis korelasi kanonikal (canonical correlation canonical) dapat dilihat sebagai pengembangan logis dari analisis regresi berganda. 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. variabel independen diasumsikan metrik. tujuannya adalah mengkorelasikan secara simultan beberapa variabel dependen metrik dan beberapa variabel independen metrik. Dengan analisis kanonik. Seperti halnya regresi berganda.memprediksi penjualan perusahaan dari informasi mengenai pengeluaran iklannya. sering disebut sebagai logit analysis. Teknik ini mirip dengan analisis regresi berganda dimana satu atau beberapa variabel independen digunakan untuk memprediksi variabel dependen tunggal. Ingat bahwa analisis regresi berganda menggunakan variabel dependen tunggal metrik dan beberapa variabel independen metrik. dan jumlah toko yang menjual produk-produknya. namun di sebagian besar aspek lainnya sangat mirip dengan regresi berganda. Model regresi logistik (logistic regression model). priawanita) atau multikotomis (misalnya.

Prinsip yang mendasari adalah membuat kombinasi linear dari masing-masing kelompok variabel (baik independen dan dependen) dengan cara memaksimalkan korelasi antara dua kelompok. ia merupakan pengembangan dari analisis univariat varians (ANOVA). seperti modern vs tradisional atau qualitas tinggi versus kualitas rendah. Dengan demikian. Prosedur ini sama dengan korelasi parsial bivariat. 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. Korelasi kanonik dapat digunakan untuk membandingkan persepsi dari perusahaan kelas dunia pada 50 pertanyaan dengan persepsi perusahaan. . 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. Setelah melihat kedua iklan tersebut. 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. 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. 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. 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. para konsumen diminta untuk menilai perusahaan dan produknya dari beberapa dimensi. 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. di mana efek dari variabel ketiga dihilangkan dari korelasi. Penelitian ini kemudian bisa menyimpulkan apakah persepsi dari Perusahaan ¬ com berkorelasi dengan orang-orang dari perusahaan kelas dunia. Asumsikan sebuah perusahaan ingin tahu apakah iklan lucu akan lebih efektif buat konsumennya dari pada ikan yang tak lucu.melibatkan variabel dependen tunggal.

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

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

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

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

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

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

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

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

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

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

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

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. Ukuran-ukuran tersebut meliputi: . Tempat menandai dinilai secara elekronik dan jarak 0 (dalam centimeter) dicatat dalam database. 13 atirbut dari HBAT yang dinilai oleh masing-masing reponden adalah sebagai berikut: diantara re HASIL PEMBELIAN.Sebagai bagian dari survey.

Sign up to vote on this title
UsefulNot useful