P. 1
Analisis Data Multivariat

Analisis Data Multivariat

|Views: 472|Likes:
Published by wwayt

More info:

Published by: wwayt on May 29, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

12/20/2014

pdf

text

original

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.

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

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

7°C. 2. Skala rasio menunjukkan bentuk tertinggi dari ketepatan pengukuran karena ia memiliki kelebihan dari semua skala yang lebih rendah ditambah dengan absolute zero point.7°C. urutan peringkat produk).0). 80°F tidak bisa dibenarkan mengatakan dua kali lebih panas dari 40°F. Kesalahan pengukuran adalah sejauh mana nilai-nilai yang diamati tidak mewakili . Semua hitungan matematika bisa menggunakan pengukuran skala rasio. Skala interval yang paling terkenal adalah skala suhu Fahrenheit dan Celcius. 40°F pada skala Celsius adalah 4. agar data nonmetric tidak salah digunakan sebagai data metrik. karena kita tahu bahwa 80°F.4°C X 2 ≠ 26. Dengan menggunakan nilai-nilai ini sebagai ukuran kepuasan. yaitu 4.bahwa produk A adalah 2. Skala Rasio. mencari nilai rata-rata gender). Skala pengukuran juga penting dalam menentukan teknik-teknik multivariat yang paling cocok dalam suatu data. pada skala yang berbeda. produk B adalah 6. 100 pon adalah dua kali lebih berat dari 50 pon. kita tidak bisa hanya menyatakan hal yang sama dengan pada data ordinal (misalnya. Jika peneliti tidak benar mendefinisikan ukuran ini sebagai metrik.0 = 6.4°C. Satu-satunya perbedaan nyata antara skala interval dan rasio adalah skala interval menggunakan arbitrary zero point. seperti Celcius.0 – 6. namun seseorang tidak bisa mengatakan bahwa panas 80°F adalah dua kali panasnya dari 40°F karena. dan produk C adalah 12 unit. panasnya tidak dua kali lebih besar.5 = 3. maka ia bisa digunakan dengan tidak tepat (misalnya. menggunakan skala yang berbeda. tetapi kita juga bisa melihat bahwa perbedaan antara produk A dan B jauh lebih kecil (6. dan begitupula sebaliknya (seperti contoh mengenai gender. Meskipun 80°F dua kali panasnya dari 40°F. karena mereka memiliki absolute zero point dan bisa dinyatakan dalam kelipatan ketika dikaitkan dengan skala lain. PENGARUH PEMILIHAN SKALA PENGUKURAN. Misalnya. sedangkan skala rasio menggunakan absolute zero point. misalnya. dimana 1 untuk laki-laki dan 2 untuk perempuan). Peneliti harus mengidentifikasi skala pengukuran setiap variabel yang digunakan. mengenai variabel independen dan dependen.5) daripada perbedaan antara produk B dan C (12. Kesalahan Pengukuran dan Pengukuran Multivariat Penggunaan variabel berganda dan kombinasinya (variate) dalam teknik multivariat juga memfokuskan perhatian pada masalah lain – kesalahan pengukuran (measurement error).0 unit. adalah 26.5 unit dari ujung kiri.0 – 2. Demikian pula. Skala kamar mandi atau mesing timbangan laing merupakan contoh dari skala ini. Memahami perbedaan jenis-jenis skala pengukuran ini penting karena dua alasan: 1.

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

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

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

Perhatikan bahwa dengan daya ukuran efek sedang mencapai tingkat yang dapat diterima pada ukuran sampel 100 atau lebih untuk tingkat alpha . Tetapi. Sebagai contoh. maka peneliti harus memutuskan jika daya tersebut terlalu tinggi. peneliti harus terlebih dahulu memahami efek yang dikaji. Hal ini menunjukkan bahwa jika peneliti mengharapkan bahwa ukuran efek akan kecil maka . Untuk menilai daya dari tiap uji statistik. Alpha (α) – ketika alfa menjadi lebih ketat. Jika sebuah universitas mengklaim lulusan MBA-nya mendapatkan gaji awal 50 persen lebih tinggi dari rata-rata. Yang kami maksud dengan "terlalu tinggi" adalah bahwa dengan bertambahnya ukuran sampel. maka daya menurun. 3.05 atau . Perbedaan mean (nilai rata-rata) dinyatakan dalam standar deviasi. Peneliti kini harus menentukan tingkat alpha yang diperlukan dan ukuran sampel dari setiap kelompok.05 dan . Ketika ukuran sampel meningkat. maka kemungkinan benar untuk menghasilkan efek berkurang. sehingga ukuran efek . maka akan muncul efek yang kecil (misalnya. Ukuran sampel – ketika tingkat alfa diketahui.5). uji statistik memiliki sedikit daya.01. Para peneliti harus mempertimbangkan dampak dari tingkat daya alpha sebelum memilih tingkat alpha. Asumsikan bahwa ukuran efek diperkirakan berkisar antara kecil (0.(perbedaan atau korelasi) mempunyai makna.05 hanya memiliki kesempatan 50 persen perbedaan yang signifikan. walaupun dengan tingkat alpha yang lebih fleksibel atau ukuran sampel 200 atau lebih. maka persen merupakan ukuran efek yang dikaitkan dengan perolehan gelar. Sebuah contoh melibatkan uji perbedaan antara nilai rata-rata dari dua kelompok. korelasi). maka ukuran sampel selalu menghasilkan daya yang lebih besar dalam uji statistik. Ketika memeriksa ukuran efek. ukuran efek didasarkan pada korelasi antar variabel. Misalnya.5 menunjukkan bahwa perbedaan mean adalah setengah dari standar deviasi.2) dan sedang (0.01. Tabel 1 menggambarkan dampak dari ukuran sampel dan tingkat alpha pada kekuasaan. Ukuran efek diartikan secara standar untuk mempermudah perbandingan. efek yang besar lebih nampak daripada efek yang kecil dan karenanya akan memepngaruhi daya uji statistik. ukuran efek bisa menjadi pembeda mean antara dua kelompok atau korelasi antara variabel. Pedoman konvensional menunjukkan tingkat alpha . 2. Oleh karena itu. jika ukuran efek kecil maka sampel 200 dengan alpha . 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). ketika peneliti mengatakan sesuatu yang salah bahwa efek signifikan padahal sebenarnya tidak signifikan. Untuk korelasi. ketika ukuran efek kecil.

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

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

.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->