MEMILIH METODE ANALISIS KUANTITATIF

UNTUK PENELITIAN ARSITEKTUR

Hanson Endra Kusuma
Kelompok Keahlian Perancangan Arsitektur
Sekolah Arsitektur, Perencanaan dan Pengembangan Kebijakan
Institut Teknologi Bandung
Email: hangsong@ar.itb.ac.id
ABSTRAK
Penelitian diawali dengan konteks permasalahan dan penentuan tujuan. Berdasarkan tujuan
tersebut, direncanakan metode pengumpulan data dan analisis data. Tujuan menentukan metode
pengumpulan data dan analisis data. Tetapi, sebaliknya metode pengumpulan data dan analisis
data yang akan digunakan juga membatasi tujuan yang bisa ditentukan, karena jenis data yang
dikumpulkan dan jenis analisis yang dipilih akan membatasi kemungkinan temuan penelitian.
Dengan demikian, pemahaman terhadap metode pengumpulan data dan kemampuan beragam
jenis analisis data, serta kemungkinan temuan analisis, merupakan pengetahuan esensial yang
perlu dimiliki sebelum memulai penelitian. Paper ini mencoba membahas secara konseptual,
garis besar metode analisis kuantitatif (statistik) yang sering digunakan pada penelitian
arsitektur, terutama untuk tesis dan disertasi. Analisis yang dibahas dalam paper ini : analisis
distribusi, analisis koresponden, anova, analisis korelasi, analisis komponen prinsip/analisis
faktor, analisis klaster, analisis regresi dan Structural Equation Modeling (SEM). Masingmasing fungsi dan cara penggunaan analisis dijelaskan secara konseptual disertai dengan contoh,
agar mudah dipahami terutama oleh mahasiswa pasca-sarjana yang akan memulai merancang
penelitian.
Kata-kunci : penelitian arsitektur, penelitian kuantitatif, jenis data, metode analisis kuantitatif

POSISI ANALISIS KUANTITATIF

Jika dibagi ke dalam dua perspektif yang saling berlawanan, penelitian dapat dikelompokkan ke
dalam dua kategori metodologi : kualitatif dan kuantitatif. Penelitian kualitatif didasari oleh sudut
pandang/perspektif/paradigma social constructivism, yang beranggapan setiap fenomena
merupakan suatu keutuhan yang tidak dapat dijelaskan hanya dengan beberapa faktor saja.
Penelitian kuantitatif didasari oleh perspektif post-positivism, yang beranggapan fenomena dapat
dijelaskan dengan menggunakan sekumpulan faktor yang mewakili fenomena (reduksionis) dan
faktor sebab menentukan/mempengaruhi faktor akibat dari fenomena tersebut (deterministik).
Selain dua perspektif tersebut di atas, John W. Creswell (2003) menambahkan dua perspektif yang
pengkategoriannya bukan berdasarkan pada pandangan terhadap keutuhan fenomena seperti dua
perspektif tersebut di atas, yaitu : pragmatism dan advocacy/participatory. Pragmatism
beranggapan yang paling penting adalah pemahaman terhadap permasalahan atau mengetahui
solusi permasalahan, dan metode apa saja dapat digunakan sesuai dengan permasalahan yang
dihadapi. Perspektif ini mendasari penelitian pragmatis atau gabungan yang disebut mixed methods
(Creswell, 2003, hal 11-13) atau combined-strategies (Linda Groat & David Wang, 2002, hal 369370). Perspektif advocacy/participatory, - seperti arti kata dari namanya -, mengutamakan keadilan
sosial, perubahan atau manfaat yang dirasakan oleh partisipan atau siapa saja yang terlibat
penelitian, termasuk kelompok-kelompok minoritas atau yang tidak diperhatikan. Perspektif ini
sangat memberikan perhatian pada agenda perubahan atau misi politik dalam pelaksanaannya.
Dari empat kategori metodologi penelitian yang didasari empat perspektif di atas, kategori
penelitian yang mengumpulkan data kuantitatif dan membutuhkan analisis kuantitatif adalah
penelitian kuantitatif (sesuai dengan namanya). Pada konteks fenomena tertentu, penelitian
gabungan juga mungkin mengumpulkan data kuantitatif, jika juga menggunakan metode
1

pengumpulan data kuantitatif. Dari deskripsi di atas, jelas bahwa analisis data kuantitatif (lazim
disebut statistik) merupakan bagian dari metode penelitian kuantitatif, baik penelitian kuantitatif
dalam kelompok penelitian korelasional (tanpa intervensi) maupun eksperimential/quasieksperimental (dengan intervensi). Penggunaan analisis kuantitatif pada penelitian kualitatif hanya
sebatas analisis distribusi frekuensi yang merupakan ujung dari content analysis.
TEMUAN PENELITIAN DAN ANALISIS
Ciri khas dari penelitian kuantitatif : penggunaan beberapa faktor yang dianggap mewakili atau
menjelaskan fenomena (reduksionis) dan pencarian hubungan non kausal atau kausal antar faktor
tersebut (deterministik). Karena itu, pada penelitian kuantitatif pengumpulan data hanya
dilaksanakan pada/tentang faktor yang dianggap mewakili atau menjelaskan fenomena, dan sebagai
konsekuensinya data yang dikumpulkan tersebut akan membatasi kemungkinan temuan analisis.
Dengan kata lain, lingkup temuan analisis dibatasi oleh data yang dikumpulkan, tetapi temuan
penelitian itu sendiri tergantung pada jenis analisis yang digunakan. Jadi, penelitian kuantitatif
tidak mungkin direncanakan tanpa perencanaan pengumpulan lingkup dan jenis data, serta jenis
analisis kuantitatif yang akan digunakan.
JENIS DATA
Jenis data yang dikumpulkan akan menentukan jenis analisis yang dapat digunakan. Dalam analisis
kuantitatif, jenis data dikelompokkan menjadi 3 : nominal, ordinal dan continuous. Data nominal
merupakan data kategori, seperti jenis pekerjaan, kota tempat tinggal, pendidikan, bidang keahlian
dll. Data kategori dapat berupa angka numerik coding dari kategori atau teks (kata-kata) yang
menjadi indikator dari kategori. Data ordinal merupakan data urutan atau data yang memiliki
rangking. Data continuous merupakan data interval dan rasio. Data interval adalah data yang
memiliki peringkat, misalnya jika angka semakin besar semakin baik, semakin tinggi dst. Contoh
data interval, data yang diperoleh dari kuesioner yang menggunakan jawaban skala likert atau
semantic differential method (menggunakan kata sifat yang saling berlawanan, dan umumnya
berskala 1 sampai dengan 4, 5, 6 atau 7). Data rasio merupakan data yang memiliki nilai kuantitatif
yang sebanding dengan besaran angkanya, misalnya data berat badan, 10 kg dua kali lebih berat
daripada 5 kg. Yang lain misalnya jumlah uang, jumlah orang, luas ruang, lebar jalan dll.
ANALISIS DATA
Melihat dari jumlah variabel yang digunakan dalam analisis, analisis dikelompokkan menjadi
analisis univariat, bivariat dan multivariat. Analisis univariat menggunakan hanya satu variabel,
misalnya analisis distribusi. Analisis bivariat menggunakan dua variabel, misalnya analisis
koresponden, anova, analisis korelasi dan analisis regresi bivariat. Analisis multivariat
menggunakan banyak variabel, misalnya analisis komponen prinsip, analisis faktor, analisis klaster,
analisis regresi multivariat dan structural equation modeling (SEM). Analisis bivariat dapat
menggunakan data nominal, ordinal atau continuous. Analisis multivariat hanya menggunakan data
continuous. Di bawah ini penjelasan konseptual masing-masing analisis yang disebutkan di atas.
Analisis Distribusi
Analisis distribusi digunakan untuk mengetahui ragam kategori di dalam data dan
penyebaran/frekuensi dari masing-masing kategori tersebut. Jenis data yang digunakan umumnya
data kategori (nominal) meskipun data bukan nominal seperti data ordinal atau continuous juga
dapat diperlakukan sebagai data nominal dan dianalisis dengan analisis distribusi. Luaran analisis
distribusi paling populer ditampilkan dalam bentuk diagram batang (histogram) atau diagram
lingkaran/kue (pie-chart). Dari diagram distribusi secara visual akan bisa diketahui dengan mudah,
misalnya persentase dan frekuensi (termasuk frekuensi paling tinggi dan rendah) pendapatan dalam
suatu permukiman (diagram 1), jumlah penghuni yang tinggal di bawah satu atap (diagram 2), luas
hunian per orang (diagram 3), atau alasan merasa betah paling dominan tinggal di suatu
permukiman tertentu (diagram 4).
2

Distributions
PENGHASILAN PER BULAN

JUMLAH PENGHUNI
12.3

E. 1600rb < PBK

D. lebih dari 13

15.1

D. 1200rb < PBK 1600rb

LUAS RUMAH PER PENGHUNI

8.3

26.4

C. 800rb < PBK 1200rb

32.1

B. 400rb < PBK 800rb

15 25

54.6

B. 5-8

12.5

C. 18m2 luas < 27m2

33.7

B. 9m2 luas < 18m2

25.0

A. 1-4

14.2

A. PBK 400rb

7.7

D. 27m2 luas < 36m2

12.0

C. 9-12

10.6

E. 36m2 luas

35

10

Count

30

35.6

A. luas < 9m2

50

Count

15 25 35
Count

Diagram 1 (kiri atas). Distribusi pendapatan per bulan kepala keluarga (PBK), data 108 responden. Angka di
bawah diagram batang menunjukkan frekuensi setiap kategori. Angka di ujung diagram batang
probabilitas/persentase setiap kategori.
Diagram 2 (tengah atas). Distribusi jumlah total penghuni dalam satu rumah, data 108 responden.
Diagram 3 (kanan atas). Distribusi luas rumah per penghuni dalam satuan m2, data 104 responden.
Diagram 4. Alasan betah tinggal di
permukiman kampung kota di Bandung,
yang disurvei tahun 2005. Angka di
bawah diagram batang menunjukkan
frekuensi setiap kata kunci. Angka di
ujung diagram batang probabilitas/
persentase setiap kata kunci. Kata kunci
berasal dari deskripsi 108 responden yang
berisi
alasan
betah
tinggal
di
permukimannya. Deskripsi yang berupa
data teks dianalisis dengan content
analysis dengan langkah-langkah sbb :
1. Ekstraksi kata kunci dari data teks.
2. Pengkategorian kata kunci : mengelompokkan kata kunci yang memiliki arti sama atau
mirip, dan selajutnya memberikan nama
yang dapat mewakili sekelompok kata kunci
tersebut.
3. Konversi data teks menjadi data numerik 0-1
(langkah ini optional, untuk mempermudah
langkah berikutnya).
4. Analisis distribusi kata kunci yang telah
dikategorikan dan dikonversi menjadi data
0-1. Keluaran akhir langkah ini berupa
diagram batang seperti ditampilkan di
sebelah kanan.

warisan
tingkat sosial setara
sesuai kemampuan

2.3
0.5
1.4

rumah tertata/nyaman

4.1

rumah milik sendiri

rumah bangun sendiri
ruang interaksi depan rumah
lingkungan tenang
lingkungan bersih/udara segar
lingkungan baik/nyaman

5.0
1.4
0.5
1.8
2.3
3.7

lingkungan aman
lama tinggal
interkaksi aktif di lingkungan
infrastruktur baik

10.1
3.7
3.7
2.8

hubungan keluarga baik

9.2

hubungan baik antar tetangga

22.0

fasilitas cukup

4.6

bisa/dekat usaha di rumah

4.6

aksesibilitas mudah/strategis

16.5

10

20

30

40

50

Count

Analisis Koresponden
Analisis koresponden digunakan untuk mengetahui kedekatan hubungan antar kategori dari dua
variabel nominal. Variabel yang digunakan selalu nominal, baik numerik ataupun karakter/teks.
Analisis koresponden tidak menghasilkan koefisien, seperti analisis korelasi atau regresi, tetapi
menghasilkan correspondence analysis plot (cap), dengan axis yang memiliki skor yang
menunjukkan kedekatan hubungan antar kategori. Setiap axis memiliki cumulative inertia portion
yang menjadi indikator porsi kemampuan axis tersebut menjelaskan data. Kedekatan hubungan
antar kategori dapat diketahui langsung secara visual dengan melihat kedekatan posisi antar
kategori tersebut pada bidang cap, misalnya titik kategori pendidikan SD paling dekat dengan titik
kategori pendapatan PBK 400rb, dan agak jauh dari titik 400rb < PBK 800rb; jadi jika
pendidikan SD kemungkinan besar pendapatan kurang dari 400rb per bulan, bukan lebih dari 400rb
(diagram 5). Selanjutnya jika pendapatan kurang dari 400rb per bulan (PBK 400rb, lihat diagram
6), maka kemungkinan besar akan tinggal di rumah dengan luas lantai per orang kurang dari 9 m 2
(luas < 9 m2, lihat diagram 6). Kedekatan pada analisis koresponden menunjukkan kemungkinan
co-incidence atau co-occurence antar kategori dari variabel nominal.
3

Bivariate Fit of c2 By c1

Bivariate Fit of c1 By c2

0.75

0.6

A. PBK 400rb
SD

0.5

C. 18m2 luas < 27m2

0.5
0.4

SLTP

E. 1600rb < PBK

D. 1200rb < PBK 1600rb

0.3

0.25

c2

c1

0.2
B. 400rb < PBK 800rb
C. 800rb < PBK 1200rb

B. 400rb < PBK 800rb

E. 36m2 luas
B. 9m2 luas < 18m2

SLTA

-0.25

-0.1
E. 1600rb < PBK

-0.5

-0.75

0.1

-0.2

D. 1200rb < PBK 1600rb

S1

-0.2

-0.1

0.1

0.2

0.3

0.4

0.5

A. luas < 9m2

-0.3
-0.4

0.6

C. 800rb < PBK 1200rb

D. 27m2 luas < 36m2

A. PBK 400rb
-0.4

-0.2

c2

0.2

0.4

0.6

0.8

c1

Diagram 5 (kiri atas). Koresponden antara pendidikan dan penghasilan per bulan kepala keluarga (PBK).
Analisis menggunakan 98 dari 108 sampel (91%), tidak menyertakan kategori pendidikan Tidak Sekolah, D2,
D3 dan S2 yang memiliki jumlah total hanya 10 orang (9% dari jumlah total sampel). Cumulative inertia
portion 96% : mampu menjelaskan 96% kecenderungan data.
Diagram 6 (kanan atas). Koresponden antara luas rumah per penghuni dan penghasilan per bulan kepala
keluarga (PBK). Analisis menggunakan 102 dari 108 sampel (94%), data 6 sampel tidak ada (missing-value).
Cumulative inertia portion 94% : mampu menjelaskan 94% kecenderungan data.

Anova
Anova (analysis of variance) digunakan untuk mengetahui perbedaan parameter (indikator numerik
yang digunakan untuk memberikan ukuran, selalu data continuous) antar data nominal dengan
melihat nilai rata-rata parameter dari setiap kategori dalam data nominal tersebut. Anova paling
mudah dipahami jika ditampilkan dalam bentuk diagram dua dimensi. Diagram dua dimensi
tersebut selalu menggunakan data nominal sebagai sumbu x dan data continuous pada sumbu y.
Misalnya, pada diagram 7, sumbu x adalah data 20 rumah tinggal dan sumbu y adalah evaluasi
preferensi 99 responden terhadap setiap rumah. Dari diagram dapat diketahui perbedaan tingkat
preferensi dari setiap rumah. Rumah dengan tingkat preferensi paling tinggi no 7, 2 dan 17.
Anova juga dapat digunakan untuk melihat perbedaan parameter antar kelompok dari setiap
kategori data nominal, seperti yang diperlihatkan pada diagram 8. Dari diagram dapat diketahui
perbedaan preferensi antar kelompok terhadap setiap rumah, misalnya perbedaan preferensi Ar dan
Sp terhadap rumah no 6 dan 16 lebih besar dibanding rumah lain. Perbedaan preferensi antara
kelompok Ar dan Sp terhadap rumah no 16 signifikan, dapat dibuktikan dari pemisahan mean
comparison pada diagram 9.
7
6
5

Suka

Diagram 7. Perbedaan tingkat preferensi

antar objek. Sumbu x data kategori 20
rumah tinggal nomor 1 s/d 20. Sumbu y
data interval evaluasi suka-tidak suka,
menggunakan
metode
semantic
differential method, berskala 1 (sangat
tidak suka) sampai dengan 7 (sangat suka).
Garis tengah setiap mean diamond
merupakan rata-rata evaluasi setiap objek.
Garis zikzak menghubungkan rata-rata
evaluasi semua objek. Titik-titik pada
bidang diagram merupakan skor evaluasi
dari setiap objek yang saling tumpangtindih.

4
3
2
1
1

9 10 11 12 13 14 15 16 17 18 19 20
Objek

Sp
Ar

6
Sp
Ar Sp

Suka

Diagram 8. Perbedaan tingkat preferensi

kelompok Ar dan Sp terhadap setiap objek.
Sumbu x data kategori 20 objek bernomor
1 sampai dengan 20. Sumbu y evaluasi
preferensi berskala 1 s/d 7. Pada diagram
hanya ditampilkan skala 2 s/d 6. Kode Ar
pada diagram mewakili responden
mahasiswa arsitektur. Kode Sp mewakili
mahasiswa non-arsitektur. Posisi titik Ar
atau Sp menunjukkan rata-rata evaluasi
kelompok pada setiap objek. Garis zikzak
menghubungkan rata-rata evaluasi dua
kelompok. Jarak vertikal antar Ar dan Sp
menunjukkan perbedaan tingkat preferensi
antara Ar dan Sp.

Sp

4
Ar

Sp
Sp

Sp Sp

Sp

Ar Ar

Sp

Ar

Sp
Ar

Sp

Ar

Ar

Ar

Sp Ar

Sp Sp

Sp

Ar

Ar

Sp
Ar
Sp Ar

Ar

ArSp
Ar

Ar

Sp

Ar
1

9 10 11 12 13 14 15 16 17 18 19 20
Objek

8
7

Suka

6
5
4
3
2
1
0

Ar

Sp
Group

Each Pair
Student's t
0.05

Foto 1 (kiri atas). Objek no 16. Rumah tinggal dengan tingkat preferensi antara Ar dan Sp berbeda signifikan.
Diagram 9 (kanan atas). Perbedaan tingkat preferensi antara kelompok Ar dan Sp pada objek no 16. Sumbu
x, data nominal kategori Ar dan Sp, sumbu y evaluasi tidak suka-suka berskala 1 s/d 7. Garis tengah mean
diamond menunjukkan rata-rata evaluasi kelompok bersangkutan. Ujung atas dan bawah merupakan batas
interval 95%. Mean comparison pada bagian kanan ditampilkan dengan dua lingkaran yang masing-masing
mewakili kelompok Ar dan Sp. Titik pusat lingkaran segaris-lurus dengan garis tengah mean diamond.
Diameter lingkaran mewakili interval 95%, segaris dengan titik teratas dan terbawah mean diamond. Dua
lingkaran terpisah menandakan perbedaan evaluasi antara kelompok signifikan.

Analisis Korelasi Bivariat

Analisis koreleasi bivariat digunakan untuk mengetahui kedekatan hubungan dua variabel
continuous (interval atau rasio). Kedekatan hubungan antara dua variabel ditunjukkan dengan
koefisien korelasi (r) yang umumnya dipahami sbb :
0 < r 0.2
0.2 < r 0.4
0.4 < r 0.6
0.6 < r 0.8
0.8 < r < 1

korelasi sangat rendah

korelasi rendah
korelasi sedang
korelasi tinggi
korelasi sangat tinggi

Koefisien korelasi positif menunjukkan hubungan searah dan korelasi negatif hubungan
berlawanan arah. Secara visual, besar-kecil koefisien korelasi dapat diketahui dari penyebaran data
pada scatter-plot yang disusun dari sumbu x dan y dua variabel yang dikorelasikan. Jika density
ellips yang melingkupi penyebaran data semakin ramping dan diagonal maka koefisien korelasi
akan semakin besar (diagram 10), sebaliknya jika density ellips semakin gemuk/bulat maka
koefisien korelasi akan semakin kecil (diagram 11). Pada diagram 10, koefisien korelasi 0.7
(tinggi), berarti jika bangunan semakin serasi maka cenderung semakin disukai. Pada diagram 11,
koefisien korelasi 0.22 (rendah), berarti jika bangunan semakin mewah belum tentu semakin
disukai atau semakin tidak disukai. Hubungan antara kemewahan dan preferensi rendah.
5

Suka

Suka

1
1

Mewah

Serasi

Diagram 10 (kiri atas). Korelasi antara keserasian dan preferensi. Sumbu x, data continuous/interval berskala
1 sangat tidak serasi s/d 7 sangat serasi. Sumbu y, data continuous/interval berskala 1 sangat tidak suka s/d 7
sangat suka. Titik pada diagram merupakan skor evaluasi yang saling tumpang-tindih. Density contour akan
semakin padat jika tumpang-tindih skor pada satu titik semakin banyak. Ellips pada diagram melingkupi 90%
penyebaran data. Koefisien korelasi 0.7, significant value kurang dari 0.01%, tingkat kepercayaan lebih dari
99.99%. Kesepakatan umum yang sering digunakan, sig. value lebih kecil dari 0.05.
Diagram 11 (kanan atas). Korelasi antara kemewahan dan preferensi. Sumbu x, data continuous/interval
berskala 1 sangat sederhana s/d 7 sangat mewah. Sumbu y, data continuous/interval berskala 1 sangat tidak
suka s/d 7 sangat suka. Koefisien korelasi 0.22, significant value kurang dari 0.01%.

Analisis Korelasi Multivariat

Disebut korelasi multivariat karena melibatkan lebih dari dua variabel. Jika sejumlah variabel
dikorelasikan satu sama lain, maka akan diperoleh sejumlah koefisien korelasi, yang disusun dalam
matriks koefisien korelasi seperti pada tabel 1. Matriks tersebut dapat dimanfaatkan untuk dengan
cepat membandingkan besaran koefisien korelasi antar variabel dan mengidentifikasi variabelvariabel yang memiliki korelasi sangat tinggi, tinggi, sedang, rendah dan sangat rendah. Gambaran
tinggi-rendah koefisien korelasi antar variabel tersebut juga merupakan gambaran hubungan antar
faktor yang menyusun fenomena yang diambil datanya. Meskipun belum definitif, gambaran
hubungan antar faktor tersebut dapat digunakan untuk mereka-reka pola temuan analisis yang akan
diperoleh jika data dianalisis lebih lanjut dengan analisis multivariat yang lain.
Tabel 1. Matriks koefisien korelasi 13 variabel evaluasi rumah tinggal.
Bagus
Fungsional
Kompleks
Proporsional
Teratur
Unik
Modern
Nyaman
Mewah
Baru
Serasi
Suka
Rumit

Bagus
1.00
0.37
0.14
0.45
0.34
0.45
0.39
0.61
0.35
0.43
0.59
0.78
0.15

Fungsional Kompleks Proporsional

0.37
1.00
-0.10
0.42
0.35
0.06
0.06
0.46
-0.04
0.07
0.40
0.42
-0.13

0.14
-0.10
1.00
-0.10
-0.20
0.46
0.24
-0.03
0.59
0.35
-0.06
0.02
0.70

0.45
0.42
-0.10
1.00
0.46
0.13
0.11
0.49
0.07
0.16
0.55
0.51
-0.07

Teratur
0.34
0.35
-0.20
0.46
1.00
0.01
0.08
0.41
0.03
0.13
0.47
0.40
-0.21

Unik
0.45
0.06
0.46
0.13
0.01
1.00
0.31
0.24
0.50
0.41
0.24
0.40
0.46

Modern Nyaman Mewah

0.39
0.06
0.24
0.11
0.08
0.31
1.00
0.13
0.47
0.67
0.22
0.30
0.23

0.61
0.46
-0.03
0.49
0.41
0.24
0.13
1.00
0.09
0.18
0.57
0.68
-0.01

0.35
-0.04
0.59
0.07
0.03
0.50
0.47
0.09
1.00
0.61
0.16
0.22
0.56

Baru
0.43
0.07
0.35
0.16
0.13
0.41
0.67
0.18
0.61
1.00
0.28
0.34
0.33

Serasi
0.59
0.40
-0.06
0.55
0.47
0.24
0.22
0.57
0.16
0.28
1.00
0.70
-0.05

Suka
0.78
0.42
0.02
0.51
0.40
0.40
0.30
0.68
0.22
0.34
0.70
1.00
0.05

Rumit
0.15
-0.13
0.70
-0.07
-0.21
0.46
0.23
-0.01
0.56
0.33
-0.05
0.05
1.00

Analisis Regresi Bivariat

Analisis regresi bivariat digunakan untuk mengetahui hubungan kausal antara dua variabel
continuous, berupa kekuatan pengaruh (besar kecil), bentuk pengaruh (linier atau polinomial).
Karena itu, pada analisis regresi digunakan istilah variabel yang mempengaruhi (disebut juga
6

variabel bebas, sebab atau independent variable) dan variabel yang dipengaruhi (disebut juga
variabel terikat, akibat atau dependent variable). Variabel apa yang menjadi variabel
mempengaruhi atau dipengaruhi sepenuhnya ditentukan oleh peneliti/penganalisis, bukan oleh
formula statistik atau software analisis data. Penentuan variabel bebas dan terikat tersebut dalam
penelitian kuantitatif merupakan bagian dari hipotesis yang disusun oleh peneliti.

Suka

Suka

Contoh luaran analisis regresi bivariat dapat dilihat pada diagram 12 dan 13. Pada diagram 12,
Rsquare regresi polinomial lebih besar daripada regresi linier, dan RMSE regresi polinomial lebih
kecil daripada regresi linier, karena itu interpretasi bentuk hubungan antara kompleksitas dan
preferensi lebih tepat menggunakan regresi polinomial : kurva lengkung. Kompleksitas tinggi
ataupun rendah preferensi akan selalu rendah. Preferensi paling tinggi jika kompleksitas sedang.
Rsquare dan RMSE regresi polinomial ataupun linier pada diagram 13 hampir tidak berbeda,
karena itu hubungan kausal antara keteraturan dan preferensi dapat disimpulkan linier.

2
2

Kompleks

Teratur

Diagram 12 (kiri atas). Regresi linier dan polinomial antara kompleksitas dan preferensi. Sumbu x, data
continuous/interval berskala 1 sangat sederhana s/d 7 sangat kompleks. Sumbu y, data continuous/interval
berskala 1 sangat tidak suka s/d 7 sangat suka. Satu titik mewakili satu objek rumah tinggal yang dievaluasi.
Jumlah total titik/objek 110. 6 dari 116 data (5%) dianggap sebagai outlier dan tidak disertakan dalam
analisis. Data dikumpulkan dari tahun 2005 sampai tahun 2009. Regresi linier (garis lurus): Rsquare 0.200,
RMSE 0.790, significant value <0.01%. Regresi polinomial pangkat dua (garis lengkung): Rsquare 0.410,
RMSE 0.682, significant value <0.01%. Rsquare: proporsi varians yang dijelaskan oleh model, semakin
mendekati 1 semakin besar porsi dari fenomena yang dijelaskan oleh model. RMSE (Root Mean Square
Error): diskrepansi antara predicted value dan actual value, semakin kecil semakin baik.
Diagram 13 (kanan atas). Regresi linier dan polinomial antara keteraturan dan preferensi. Sumbu x, data
continuous/interval berskala 1 sangat tidak teratur s/d 7 sangat teratur. Sumbu y, data continuous/interval
berskala 1 sangat tidak suka s/d 7 sangat suka. Jumlah total titik/objek 109. 7 dari 116 data (6%) dianggap
sebagai outlier dan tidak disertakan dalam analisis. Data dikumpulkan dari tahun 2005 sampai tahun 2009.
Regresi linier (garis lurus): Rsquare 0.370, RMSE 0.717, significant value <0.01%. Regresi polinomial
pangkat dua (garis lengkung): Rsquare 0.370, RMSE 0.721, significant value <0.01%.

Analisis Regresi Multivariat

Analisis regresi multivariat melibatkan lebih dari satu variabel sebab, dan digunakan untuk
membandingkan kekuatan pengaruh antara beberapa variabel sebab terhadap variabel akibat.
Dengan demikian akan diketahui variabel sebab yang dominan, kurang dominan atau tidak
dominan mempengaruhi variabel akibat. Semakin besar koefisien regresi (umumnya disebut bobot
regresi regression weight) semakin besar pengaruh terhadap variabel akibat, misalnya dari tabel 2
dapat dilihat bahwa dari tiga variabel sebab, variabel kebaruan paling besar mempengaruhi variabel
preferensi (bobot regresi 0.57).
7

Tabel 2 (kanan). Bobot regresi dan significant value

regresi multivariat. Bobot regresi masing-masing
variabel sebab tertulis di kolom estimate. Significant
value untuk semua variabel sebab kurang dari 0.00
(lihat kolom paling kanan Prob>I tI).

6
5.5
5
4.5

Suka Actual

Diagram 14 (kanan). Scatter-plot predicted value

dan actual value variabel akibat, dengan variabel
akibat preferensi (tdk suka-suka) dan variabel sebab
kompleksitas (simpel-kompleks), keteraturan (tdk
teratur-teratur), dan kebaruan (lama-baru). 11 dari
116 data (9.5%) dianggap sebagai outlier dan tidak
disertakan dalam analisis. Pada diagram, jika titik
menyebar semakin mendekati garis diagonal, maka
Rsquare akan semakin besar/semakin mendekati
angka 1, dan RMSE (root mean square error)
semakin kecil/semakin mendekati angka 0. Rsquare
besar dan RMSE kecil menunjukkan prediksi
semakin tepat (perbedaan antara predicted value dan
actual value semakin kecil). Rsquare disebut juga
coefficient of determination. Rsquare 0.6 dapat
diinterpretasikan kemungkinan 60% dari fenomena
dapat dijelaskan dengan model regresi yang dibuat,
kemungkinan 40% tidak dapat dijelaskan.

4
3.5
3
2.5
2
1.5
1.5

2.5

3.5

4.5

5.5

Suka Predict ed P<.0001

RSq=0.60 RMSE=0.5411

Term
Intercept
Kompleks
Teratur
Baru

Estimate Std Error t Ratio Prob>|t|

1.41
0.50
2.82
0.01
-0.36
0.05
-6.91
0.00
0.27
0.06
4.44
0.00
0.57
0.07
8.14
0.00

Analisis Komponen Prinsip dan Analisis Faktor

Analisis komponen prinsip (principal component analysis) digunakan untuk menemukan
komponen prinsip (variabel pengganti/variabel laten) yang dapat mewakili variabel terukur dengan
cara mengumpulkan sebanyak mungkin variabilitas (porsi fenomena yang dijelaskan) dari semua
variabel terukur pada beberapa komponen prinsip yang utama. Sebagai contoh, tabel 4
memperlihatkan eigenvalue dari 13 komponen prinsip hasil analisis 13 variabel terukur. Dapat
dilihat bahwa 3 komponen prinsip pertama memiliki eigenvalue lebih dari 1 : memiliki porsi
varians/variabilitas melebihi variabel terukur, karena itu digunakan untuk mewakili/menggantikan
variabel terukur. 4 komponen prinsip pertama, memiliki cumulative percent 73.12%. Jadi 4
komponen prinsip tersebut dapat merepresentasikan 73.12% porsi kemampuan menjelaskan
fenomena dari 13 variabel terukur. Sehingga, untuk menjelaskan 73.12% fenomena, cukup
menggunakan 4 komponen prinsip (4 variabel laten), tidak perlu menggunakan 13 variabel terukur.
Factor loading masing-masing variabel terukur terhadap komponen prinsip diperlihatkan pada
tabel 3. Dapat dilihat hampir semua variabel terukur memberikan kontribusi besar terhadap
komponen prinsip pertama. Hal ini mempermudah analisis seperti preference mapping yang tidak
membutuhkan nama komponen prinsip. Tetapi, jika dalam interpretasi analisis dibutuhkan nama
variabel maka selanjutnya dilakukan analisis faktor dengan cara merotasi komponen prinsip secara
ortogonal sehingga antar komponen tidak berkorelasi dan sebanyak mungkin factor loading dari
setiap variabel terukur ke setiap komponen prinsip dibuat mendekati 0 (varimax rotation, tabel 5).
Tabel 3. Empat komponen prinsip
utama hasil analisis komponen prinsip
yang tidak dirotasi. Empat komponen
tersebut
memiliki
jumlah
total
persentase eigenvalue sebesar 73,12%
(lihat cum. percent pada tabel 1), dengan
proporsi eigenvalue terbesar pada
komponen pertama (4.67). Jumlah total
eigenvalue selalu sama dengan jumlah
total variabel yang dianalisis. Komponen
dengan eigenvalue 4.67, dapat diartikan
bahwa komponen tersebut mewakili
4.67 komponen lain.

VARIABEL

Bagus
Suka
Serasi
Nyaman
Baru
Proporsional
Unik
Kompleks
Rumit
Mewah
Fungsional
Teratur
Modern

KOMP. PRINSIP 1 KOMP. PRINSIP 2 KOMP. PRINSIP 3 KOMP. PRINSIP 4

0.85
0.84
0.74
0.70
0.62
0.60
0.57
0.26
0.27
0.52
0.47
0.48
0.52

-0.07
-0.25
-0.36
-0.37
0.45
-0.42
0.45
0.76
0.75
0.66
-0.44
-0.48
0.38

0.05
0.10
0.00
0.24
-0.48
0.07
0.28
0.32
0.36
-0.09
0.15
-0.16
-0.62

-0.26
-0.27
-0.05
-0.13
0.03
0.31
-0.24
0.22
0.18
0.21
0.24
0.48
-0.08

Tabel 4 (kiri bawah). Nilai eigenvalue analisis komponen prinsip. Tabel 5 (kanan bawah). Faktor/variabel
laten hasil faktor analisis. Factor loading masing-masing variabel terukur terhadap faktor/variabel laten, hasil
rotasi varimax 4 komponen prinsip. Komponen prinsip pada analisis komponen prinsip = faktor/variabel
laten pada analisis faktor.
Number Eigenvalue Percent Cum Percent
1
4.67
35.90
35.90
2
3.05
23.43
59.34
3
1.06
8.14
67.47
4
0.73
5.64
73.12
5
0.67
5.12
78.24
6
0.52
3.99
82.23
7
0.47
3.65
85.88
8
0.40
3.10
88.98
9
0.35
2.70
91.69
10
0.32
2.50
94.19
11
0.29
2.25
96.43
12
0.28
2.14
98.57
13
0.19
1.43
100.00

VARIABEL

PREFERENSI

Suka
Bagus
Nyaman
Serasi
Kompleks
Rumit
Mewah
Unik
Teratur
Proporsional
Fungsional
Modern
Baru

KOMPLEKSITAS KETERATURAN

0.85
0.79
0.74
0.65
-0.03
0.01
0.08
0.53
0.13
0.37
0.35
0.16
0.19

0.03
0.15
0.01
-0.06
0.89
0.88
0.68
0.58
-0.15
-0.01
-0.04
0.11
0.30

KEBARUAN

0.30
0.23
0.40
0.47
-0.08
-0.10
0.08
-0.14
0.81
0.71
0.60
0.00
0.09

0.19
0.30
-0.04
0.18
0.13
0.09
0.53
0.19
0.14
0.04
-0.10
0.88
0.82

Analisis Klaster
Analisis klaster digunakan untuk mengelompokkan kategori berdasarkan kemiripan skor dari setiap
kategori, misalnya seperti yang diperlihatkan pada diagram 15 dan 16, dosen pembimbing
dikelompokkan
Hierarchical
Clusteringberdasarkan kontribusi pengetahuan pada struktur konstruksi dan pada desain.
Posisi=dosen
Method
Ward pembimbing yang memberikan kontribusi yang hampir sama akan berdekatan.
Dendrogram

1.5

Z
Y

N
D

0.5

V K
KD DESAIN

A
E
N
B
Q
Y
Z
C
G
W
D
H
K
V
O
R
U
F
X
I
L
M
J
S
P
T

C
W

-0.5

B
Q

M
L

S
F

R
I

-1

P
T

-1.5

-2
-1.5

-1

-0.5

0.5

1.5

KD STRUKTUR KONSTRUKSI

Diagram 15 (kiri). Dendrogram klaster dosen studio berdasarkan dua variabel KD struktur konstruksi dan
KD desain. KD struktur konstruksi : kontribusi dosen pada pengetahuan struktur konstruksi mahasiswa. KD
desain : kontribusi dosen pada pengetahuan desain mahasiswa.Huruf kapital A, B, C dst merupakan kode
inisial dosen pembimbing studio. Cabang dendrogram menunjukkan pengelompokan dosen yang dievaluasi
cenderung mirip oleh mahasiswa. Cabang semakin pendek dan dekat menunjukkan kemiripan evaluasi dari
dosen yang bersangkutan semakin tinggi.
Diagram 16 (kanan). Scatter-plot klaster dosen studio berdasarkan variabel KD struktur konstruksi dan KD
desain. Sumbu x, angka semakin besar/semakin ke kanan kontribusi dosen pada pengetahuan struktur
konstruksi mahasiswa semakin besar. Sumbu y, angka semakin besar/semakin ke atas kontribusi dosen pada
pengetauhan desain mahasiswa semakin besar. Jumlah data yang dianalisis 320, dikumpulkan dengan
kuesioner yang dibagikan ke mahasiswa peserta studio tingkat dua, tiga dan empat semester 1 tahun ajaran
2007/2008. Angka/sumbu 0 merupakan nilai rata-rata.
9

Structural Equation Modeling (SEM)

SEM digunakan untuk mengetahui hubungan kausal (regresi) dan hubungan langsung-tidak
langsung (path analysis) antar variabel continuous.
SEM juga dapat digunakan untuk
membandingkan dan memilih model yang lebih sesuai fenomena (sesuai dengan data) dengan
melihat indikator goodness of fit index, misalnya dengan membandingkan besaran angka Chisquare/DF dan RMSEA dua model pada diagram 17 dan 18, dapat ditentukan bahwa model SEM
diagram 18 lebih baik, dan dapat digunakan untuk menyimpulkan fenomena yang diteliti.
.21
e3

.21

KD1

.31

e3

KD1

.30

.27

.46

KM1

.06
-.04

SD1

SS2

KM1

.46

e1

SD1

.27

SM2
.25

e1

.21

.24

.26

.14

.22
.21

.14

.26

.14
e2

Chi-square=2.287 (1 DF)
Chi-square/DF=2.287
RMSEA=.063

SM2

.14

SS2

.25

e2

Chi-square=3.704 (3 DF)
Chi-square/DF=1.235
RMSEA=.027

Diagram 17 (kiri) dan Diagram 18 (kanan). Model SEM variabel laten endogenous (dependent) dan
exogenous (independent) evaluasi studio tingkat dua, tiga dan empat semester 1 tahun ajaran 2007/2008.
Variabel endogenous : KM1 (pengetahuan dan ketrampilan desain dan programming mahasiswa), SM2
(motivasi dan antusiasme mahasiswa mengerjakan tugas) dan KD1 (kontribusi dosen pada pengetahuan
desain, rancang tapak dan programming). Variabel exogenuous : SD1 (kemudahan komunikasi, penjelasan
solusi, tingkat motivasi yang diberikan oleh dosen ke mahasiswa) dan SS2 (daya tarik tugas dan waktu yang
dipergunakan). Angka di samping vektor (garis dengan satu panah) merupakan bobot regresi. Angka di
samping garis dengan dua panah saling berlawanan koefisien korelasi. Angka di atas variabel multiple
correlation coefficient, yang merupakan indikator besaran total pengaruh variabel exogenous terhadap
variabel endogenous. Chi-square/DF atau RMSEA digunakan untuk mengetahui derajat goodness of fit antara
model dengan data. Chi-square/DF mendekati 1 dan RMSEA mendekati 0 model semakin baik.

KESIMPULAN
Penelitian kuantitatif dilaksanakan untuk memahami fenomena lebih terstruktur dengan
memanfaatkan temuan-temuan baru yang diperoleh dari analisis data. Setiap jenis analisis data
memiliki kemampuan mengungkap temuan berbeda yang tersembunyi di dalam data. Karena itu,
pemahaman akan ciri khas temuan dari setiap jenis analisis data merupakan pra-syarat dalam
merencanakan penelitian dan sebelum memulai penelitian. Pemahaman akan beragam jenis analisis
data mempermudah penyusunan strategi pengumpulan data, penentuan tujuan penelitian dan
bahkan perumusan permasalahan dan topik penelitian.
REFERENSI
1. Barbara M. Byrne (2001). Structural Equation Modeling With Amos. Basic Concepts,
Applications, and Programming. London : Lawrence Erlbaum Associates.
2. Grim, L.G. & Yarnold, P.R. (2001). Reading And Understanding Multivariate Statistics.
Washington : American Psychological Association.
3. Grim, L.G. & Yarnold, P.R. (2002). Reading And Understanding More Multivariate Statistics.
Washington : American Psychological Association.
4. John W. Creswell (2003). Research Design: Qualitative, Quantitative, and Mixed Method
Approaches. London : Sage Publications.
5. Linda Groat & David Wang (2002). Architectural Research Methods. New York : John Wiley
& Sons. Inc.
10