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.

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

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

0 = 6. sedangkan skala rasio menggunakan absolute zero point. Jika peneliti tidak benar mendefinisikan ukuran ini sebagai metrik. panasnya tidak dua kali lebih besar.5 unit dari ujung kiri.7°C. mengenai variabel independen dan dependen. dan produk C adalah 12 unit. 100 pon adalah dua kali lebih berat dari 50 pon. Kesalahan Pengukuran dan Pengukuran Multivariat Penggunaan variabel berganda dan kombinasinya (variate) dalam teknik multivariat juga memfokuskan perhatian pada masalah lain – kesalahan pengukuran (measurement error). Kesalahan pengukuran adalah sejauh mana nilai-nilai yang diamati tidak mewakili . misalnya. Dengan menggunakan nilai-nilai ini sebagai ukuran kepuasan. pada skala yang berbeda. Peneliti harus mengidentifikasi skala pengukuran setiap variabel yang digunakan. menggunakan skala yang berbeda. Semua hitungan matematika bisa menggunakan pengukuran skala rasio. 80°F tidak bisa dibenarkan mengatakan dua kali lebih panas dari 40°F. Satu-satunya perbedaan nyata antara skala interval dan rasio adalah skala interval menggunakan arbitrary zero point. Skala interval yang paling terkenal adalah skala suhu Fahrenheit dan Celcius. 40°F pada skala Celsius adalah 4.0 – 6. agar data nonmetric tidak salah digunakan sebagai data metrik.5 = 3. 2. Misalnya. Skala kamar mandi atau mesing timbangan laing merupakan contoh dari skala ini. urutan peringkat produk). Skala Rasio. seperti Celcius. karena kita tahu bahwa 80°F.4°C X 2 ≠ 26. adalah 26. PENGARUH PEMILIHAN SKALA PENGUKURAN.5) daripada perbedaan antara produk B dan C (12.0).0 unit. Memahami perbedaan jenis-jenis skala pengukuran ini penting karena dua alasan: 1.7°C. Skala rasio menunjukkan bentuk tertinggi dari ketepatan pengukuran karena ia memiliki kelebihan dari semua skala yang lebih rendah ditambah dengan absolute zero point.4°C. mencari nilai rata-rata gender). dan begitupula sebaliknya (seperti contoh mengenai gender. karena mereka memiliki absolute zero point dan bisa dinyatakan dalam kelipatan ketika dikaitkan dengan skala lain. namun seseorang tidak bisa mengatakan bahwa panas 80°F adalah dua kali panasnya dari 40°F karena.bahwa produk A adalah 2. produk B adalah 6. tetapi kita juga bisa melihat bahwa perbedaan antara produk A dan B jauh lebih kecil (6. maka ia bisa digunakan dengan tidak tepat (misalnya. Skala pengukuran juga penting dalam menentukan teknik-teknik multivariat yang paling cocok dalam suatu data. Demikian pula. kita tidak bisa hanya menyatakan hal yang sama dengan pada data ordinal (misalnya. Meskipun 80°F dua kali panasnya dari 40°F. dimana 1 untuk laki-laki dan 2 untuk perempuan). yaitu 4.0 – 2.

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

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

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

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

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

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

.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Sebagai bagian dari survey. 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. Lima ukuran khusus diperoleh yang menunjukkan hasi ldari hubungan pembelian responden dengan HBAT. Ukuran-ukuran tersebut meliputi: . para responden menyatakan persepsi mereka dengan menandai pada bagian garis.

Sign up to vote on this title
UsefulNot useful