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.

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

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

urutan peringkat produk). sedangkan skala rasio menggunakan absolute zero point. mencari nilai rata-rata gender). Skala pengukuran juga penting dalam menentukan teknik-teknik multivariat yang paling cocok dalam suatu data. Jika peneliti tidak benar mendefinisikan ukuran ini sebagai metrik. 100 pon adalah dua kali lebih berat dari 50 pon. kita tidak bisa hanya menyatakan hal yang sama dengan pada data ordinal (misalnya. Skala interval yang paling terkenal adalah skala suhu Fahrenheit dan Celcius. namun seseorang tidak bisa mengatakan bahwa panas 80°F adalah dua kali panasnya dari 40°F karena. produk B adalah 6. Skala kamar mandi atau mesing timbangan laing merupakan contoh dari skala ini. Peneliti harus mengidentifikasi skala pengukuran setiap variabel yang digunakan. Kesalahan pengukuran adalah sejauh mana nilai-nilai yang diamati tidak mewakili . Memahami perbedaan jenis-jenis skala pengukuran ini penting karena dua alasan: 1. Dengan menggunakan nilai-nilai ini sebagai ukuran kepuasan. Demikian pula. dan begitupula sebaliknya (seperti contoh mengenai gender. pada skala yang berbeda. 2.0). panasnya tidak dua kali lebih besar. dimana 1 untuk laki-laki dan 2 untuk perempuan).0 – 6. Semua hitungan matematika bisa menggunakan pengukuran skala rasio.4°C X 2 ≠ 26.7°C.5 unit dari ujung kiri. maka ia bisa digunakan dengan tidak tepat (misalnya. Skala rasio menunjukkan bentuk tertinggi dari ketepatan pengukuran karena ia memiliki kelebihan dari semua skala yang lebih rendah ditambah dengan absolute zero point. menggunakan skala yang berbeda.0 – 2. agar data nonmetric tidak salah digunakan sebagai data metrik. Skala Rasio. 80°F tidak bisa dibenarkan mengatakan dua kali lebih panas dari 40°F. dan produk C adalah 12 unit.5) daripada perbedaan antara produk B dan C (12. mengenai variabel independen dan dependen. misalnya. yaitu 4. PENGARUH PEMILIHAN SKALA PENGUKURAN. karena kita tahu bahwa 80°F. seperti Celcius. Meskipun 80°F dua kali panasnya dari 40°F. Kesalahan Pengukuran dan Pengukuran Multivariat Penggunaan variabel berganda dan kombinasinya (variate) dalam teknik multivariat juga memfokuskan perhatian pada masalah lain – kesalahan pengukuran (measurement error).4°C. Satu-satunya perbedaan nyata antara skala interval dan rasio adalah skala interval menggunakan arbitrary zero point.bahwa produk A adalah 2. Misalnya.0 = 6. karena mereka memiliki absolute zero point dan bisa dinyatakan dalam kelipatan ketika dikaitkan dengan skala lain.7°C. tetapi kita juga bisa melihat bahwa perbedaan antara produk A dan B jauh lebih kecil (6. 40°F pada skala Celsius adalah 4. adalah 26.5 = 3.0 unit.

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

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

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

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

atau tingkat signifikansi? Masing-masing faktor ini dinilai untuk menentukan dampaknya terhadap signifikansi atau nonsignifikansi hasil. Pemilihan teknik multivariat yang tepat tergantung pada jawaban ketiga pertanyaan di atas. Klasifikasi ini didasarkan pada tiga pertimbangan yang peneliti harus buat sehubungan tujuan penelitian dan sifat data: 1.10). Power juga diperiksa setelah analisis diselesaikan untuk menentukan daya aktual yang dicapai agar hasilnya dapat diinterpretasikan. kami menyajikan klasifikasi metode multivariat pada Gambar 1. Jawaban untuk pertanyaan pertama – Dapatkah variabel dibagi dalam klasifikasi independen dan dependen menurut teori tertentu? – menunjukkan apakah teknik dependence dan independence harus digunakan. Dapatkah variabel dibagi dalam klasifikasi independen dan dependen menurut Jika bisa. ukuran sampel dan tingkat alpha dipilih untuk mencapai daya yang diinginkan. ukuran sampel. KLASIFIKASI TEKNIK MULTIVARIAT Untuk membantu Anda dalam memahami teknik-teknik multivariat tertentu. Apakah hasilnya karena efek ukuran. . 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. Ketika mempertimbangkan penerapan teknik statistik multivariat. . analisis tunggal? 3. Dalam design penelitian. Menggunakan Daya dengan Teknik Multivariat Peneliti dapat menggunakan analisis daya dalam design penelitian atau setelah pengumpulan data.

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

.

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

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

juga deikenal dengan multidimensionl scalling 9. suhu makanan. kesegaran. termasuk analisis komponen utama (principal component analysis) dan analisis faktor umum (common factor analysis). Seorang peneliti bisa menggunakan analisis faktor. pengeluaran bulanan untuk makan di luar (variabel dependen) dapat diperkirakan dari informasi mengenai pendapatan keluarga. Tujuannya adalah menemukan cara kondensasi informasi yang terdapat dalam sejumlah variabel asli ke dalam kumpulan variate yang lebih kecil (faktor) tanpa kehilangan informasi. dan umur kepala rumah tangga (variabel independen). ukurannya. dan keramahan karyawan digabungkan membentuk faktor tunggal lain yang disebut kualitas layanan. Dengan menganalisa respons pelanggan. Tujuan dari analisis regresi berganda untuk memprediksi perubahan variabel dependen akibat dari perubahan variabel independen. dan kesegaran digabungkan membentuk satu faktor tunggal menjadi qualitas makanan. sedangkan variabel waktu tunggu. Demikian pula. dan keramahan karyawan. 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. 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.8. Multiple Regression Regresi berganda (multiple regression) adalah metode analisis yang cocok untuk masalah penelitian yang menggunakan variabel dependen metrik tunggal yang diduga terkait dengan dua atau beberapa variabel independen metrik. maka dibutuhkan regresi berganda. analisis faktor menjadi landasan objektif dalam membuat summated scales. waktu tunggu. kebersihan. misalnya. Ketika peneliti ingin memprediksi jumlah atau ukuran variabel dependent. suhu. Correspondence analysis 10. Dengan memberikan estimasi struktur empiris variabel. peneliti mungkin mencoba . Perceptual mapping. Principal Component Dan Common Factor Analysis Analisa faktor. Misalnya. analis tersebut mungkin menemukan bahwa variabel cita rasa makanan. 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). kebersihan.

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

Prosedur ini sama dengan korelasi parsial bivariat. 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. Dengan demikian. Korelasi kanonik dapat digunakan untuk membandingkan persepsi dari perusahaan kelas dunia pada 50 pertanyaan dengan persepsi perusahaan. 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. Setelah melihat kedua iklan tersebut. 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. Penelitian ini kemudian bisa menyimpulkan apakah persepsi dari Perusahaan ¬ com berkorelasi dengan orang-orang dari perusahaan kelas dunia. di mana efek dari variabel ketiga dihilangkan dari korelasi. Asumsikan sebuah perusahaan melakukan sebuah studi yang mengumpulkan informasi tentang kualitas layanannya berdasarkan jawaban dari 50 pertanyaan metrik. ia merupakan pengembangan dari analisis univariat varians (ANOVA). 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. para konsumen diminta untuk menilai perusahaan dan produknya dari beberapa dimensi. 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. 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. . 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. dan korelasi kanonikal melibatkan beberapa variabel dependen. Teknik ini akan memberikan informasi tentang korelasi keseluruhan persepsi serta korelasi antara masing-masing 50 pertanyaan.melibatkan variabel dependen tunggal.

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

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

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

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

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

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

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

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

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

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

seperti yang nampak di bawah ini. dimana garis 10 centiemter dibuat antar ujung dengan label “buruk” dan “sangat baik”. 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. . Setelah pengambilan sampel responden untuk dijadikan penelitian pemasaran perusahaan.VARIABEL KLASIFIKASI WAREHOUSE DATA. Setiap persepsi responden terhadap HBAT pada perangkat fungsi bisnis diukur dengan skala grafik.

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. Hasilnya kemudian dibuatkan skala dari 0 sampai 10. Tempat menandai dinilai secara elekronik dan jarak 0 (dalam centimeter) dicatat dalam database.Sebagai bagian dari survey. 13 atirbut dari HBAT yang dinilai oleh masing-masing reponden adalah sebagai berikut: diantara re HASIL PEMBELIAN.

Sign up to vote on this title
UsefulNot useful