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

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

0 – 2. Skala pengukuran juga penting dalam menentukan teknik-teknik multivariat yang paling cocok dalam suatu data. maka ia bisa digunakan dengan tidak tepat (misalnya.5 unit dari ujung kiri. Satu-satunya perbedaan nyata antara skala interval dan rasio adalah skala interval menggunakan arbitrary zero point. dimana 1 untuk laki-laki dan 2 untuk perempuan).5) daripada perbedaan antara produk B dan C (12. tetapi kita juga bisa melihat bahwa perbedaan antara produk A dan B jauh lebih kecil (6. Skala rasio menunjukkan bentuk tertinggi dari ketepatan pengukuran karena ia memiliki kelebihan dari semua skala yang lebih rendah ditambah dengan absolute zero point. karena kita tahu bahwa 80°F. Skala interval yang paling terkenal adalah skala suhu Fahrenheit dan Celcius. 2. panasnya tidak dua kali lebih besar.0 – 6. pada skala yang berbeda. sedangkan skala rasio menggunakan absolute zero point. produk B adalah 6.5 = 3. 40°F pada skala Celsius adalah 4. 100 pon adalah dua kali lebih berat dari 50 pon. PENGARUH PEMILIHAN SKALA PENGUKURAN. 80°F tidak bisa dibenarkan mengatakan dua kali lebih panas dari 40°F. Peneliti harus mengidentifikasi skala pengukuran setiap variabel yang digunakan. mengenai variabel independen dan dependen.4°C. Kesalahan pengukuran adalah sejauh mana nilai-nilai yang diamati tidak mewakili .0 = 6. dan begitupula sebaliknya (seperti contoh mengenai gender. Memahami perbedaan jenis-jenis skala pengukuran ini penting karena dua alasan: 1. Kesalahan Pengukuran dan Pengukuran Multivariat Penggunaan variabel berganda dan kombinasinya (variate) dalam teknik multivariat juga memfokuskan perhatian pada masalah lain – kesalahan pengukuran (measurement error). mencari nilai rata-rata gender). Jika peneliti tidak benar mendefinisikan ukuran ini sebagai metrik. agar data nonmetric tidak salah digunakan sebagai data metrik.bahwa produk A adalah 2.7°C.0). kita tidak bisa hanya menyatakan hal yang sama dengan pada data ordinal (misalnya. Dengan menggunakan nilai-nilai ini sebagai ukuran kepuasan. urutan peringkat produk). Demikian pula. namun seseorang tidak bisa mengatakan bahwa panas 80°F adalah dua kali panasnya dari 40°F karena. adalah 26. seperti Celcius. yaitu 4. misalnya.4°C X 2 ≠ 26. Skala Rasio.0 unit. Meskipun 80°F dua kali panasnya dari 40°F. menggunakan skala yang berbeda. Skala kamar mandi atau mesing timbangan laing merupakan contoh dari skala ini.7°C. Semua hitungan matematika bisa menggunakan pengukuran skala rasio. dan produk C adalah 12 unit. karena mereka memiliki absolute zero point dan bisa dinyatakan dalam kelipatan ketika dikaitkan dengan skala lain. Misalnya.

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

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

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

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

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

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. Analisis faktor adalah contoh dari teknik interdependence. teknik dependence berada di sisi kiri dan teknik independence berada di sebelah kanan.Perhatikan bahwa dalam Gambar 1. 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. Sedangkan.

.

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

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

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

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

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. seperti modern vs tradisional atau qualitas tinggi versus kualitas rendah. 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). di mana efek dari variabel ketiga dihilangkan dari korelasi. 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 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. Prosedur ini sama dengan korelasi parsial bivariat. Asumsikan sebuah perusahaan ingin tahu apakah iklan lucu akan lebih efektif buat konsumennya dari pada ikan yang tak lucu. 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. 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. 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. 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. Setelah melihat kedua iklan tersebut. dan korelasi kanonikal melibatkan beberapa variabel dependen. Dengan demikian. .melibatkan variabel dependen tunggal. 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.

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

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

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

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

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

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

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

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

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

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

Kelima variabel tersebut meliputi: PERSEPSI TERHADAP HBAT. . 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”. Setelah pengambilan sampel responden untuk dijadikan penelitian pemasaran perusahaan. seperti yang nampak di bawah ini.VARIABEL KLASIFIKASI WAREHOUSE DATA. Setiap persepsi responden terhadap HBAT pada perangkat fungsi bisnis diukur dengan skala grafik.

Hasilnya kemudian dibuatkan skala dari 0 sampai 10. 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. para responden menyatakan persepsi mereka dengan menandai pada bagian garis. Ukuran-ukuran tersebut meliputi: . Lima ukuran khusus diperoleh yang menunjukkan hasi ldari hubungan pembelian responden dengan HBAT.

Master your semester with Scribd & The New York Times

Special offer for students: Only $4.99/month.

Master your semester with Scribd & The New York Times

Cancel anytime.