Vous êtes sur la page 1sur 54
DY | | & ft ff ~ BAA AN SV _ SV SV SV VN SV SV SV _ VG VA BB AN =_: MULTIVARIATE ANALYSIS TRAINING cOl3 c= Plann a Ute ization Insti nis Bandung naAneaaeaeaeaaaa A A A A A A A A DA WD a ry Multivariate Analysis Training i DAFTAR ISI DAFTAR ISI sss | DAFTAR GAMBAR DAFTAR TABEL . v BAB 1 ANALISIS FAKTOR. . 1 1.1, PENDAHULUAN reno | 1.2. TAHAPAN ANALISIS FAKTOR, 2 112.1, Masalah Peneltan... 3 1.2.2 Tipe Analisis Faktor.. “a 1.2.3. Asumsi.. 4 1.2.4, Desain Peneltian.. 8 1.2.5. Model Faktor. 7 1.2.6 Interpretasi Output Analisis Faktor. " 1.2.7. Valdas. a 7 12.8, Kegunaan Tambahan dari Hasl Analisis Faktor 7 1.3, STUDI KASUS sores 16 1.3.1, Pendauluan. 16 1.3.2. Metode Pengolahan Data, 19 13.3, Ringkasan Hasil Analisis Faktor si ee BAB 2 ANALISIS REGRESI LINER MAJEMUK a 1 2.1. PENDAHULUAN, 23 2.2 TAHAPAN ANALISIS REGRESI MAJEMUK (Hair, etal, 1987) 24 2.2.1. Masalah Penelitian 25 2.2.2 Desain Peneltian 26 2.2.3. Asus. 28 2.2.4. Estimasi Model Regrest 29 2.2.5 Interpretasi Hasil Analisis Regres.. 33 2.2.8. Validasi Hasil Analisis, 33 2.8, STUDI KASUS. 34 23.1. Tema. a4 2.3.2. Latar Belakang a4 2.3.3. Tuuar sso 34 2.3.4, Batasan Masalah dan Asumsi 35 2.3.8. Input. 38 2.8.8. Pengujian Asums 38 fi | Multivariate Analysis Training 2.8.7. Estimasi Model Regres! a“ 2.3.8. Pengujian Significanei Model 2 2.3.9. Interpretasi Hasil Analisi Regresi Majomuk. 43 BAB 3 ANALISIS KLASTER 31 PENDAHULUAN 32 HUBUNGAN DENGAN TEKNIK REDUKS! DATA LAINNYA, 45 3.3. TAHAPAN ANALISIS KLASTER... 46 3.3.1, Tentukan Tujuan Analisis Klastet sa 46 33.2. Desain Penelitian.. 48 93.9 Asumel Model 5s 2.3.4. Pengelompokan. 52 3.3.5. Jumiah Klaster yang Dibentuk. 56 33.6. Tahap Interpretas! 56 3.3.7. Tahap Vatidasi 37 3.4, STUDI KASUS. oT 3.4.1. tustrasi., 7 3.4.2. Menentukan Tujuan.. 87 4.4.3. Dosain Penaitian, 59 2.4.4. Asums! 59 3.4.5, Pengelompokan Perusahaan . 59 3.4.6. Validasi 6 3.4.7. Interpretasi.. oe i «2 BAB 4 ANALISIS DISKRIMINAN ..cneninnintnnntnninnninninmnnnennn 6 4.1, PENDAHULUAN. 66 4.2. TAHAPAN ANALISIS DISKRIMINAN, 70 4.2.1, Menentukan Tyjuan Analisis Diskriminan n 42.2. Menentukan Desain Peneliian yang Relovan.. n 42.3. Menguii Asumei Dasar n 4.2.4. Estimasi model diskriminan, 42.5. Interpratasi Has Analisis 18 4.2.6. Validasi Hasll Analisi. 16 43 STUDIKASUS a 2, Desain Peneltian. 78 43.3. Asumsi. 79 4.3.4, Analisis Diskeiminan 19 BAB 5 ANALISIS KONJOIN 83 Multivariate Analysis Training iti 5.1. PENDAHULUAN, a 5.2. ISTILAH ry 5.8. TAHAPAN ANALIS'S KONJOIN (HAIR, ET AL,, 2010)... 85 5.9.1. Tahapan Awal a 86 5.9.2. Menentukan Tujuan Analisis Diskriminan .. a7 5.3.3. Perancangan Analisis Kenjin. a8 5.3.4, Mengastimasi Model Kenjoin dan Menghitung Overall Fit. ey 5.3.5. Menginterpretasi Hasi 94 5.3.6. Vaidasi Hail Kenjoia 96 5.3.5. Apikasi Lanjtan 96 5.4, STUDI KASUS, 7 5.4.1. Tema... 7 5.4.2, Latar Belakang.. 7 54.3. Tujuan 7 5.4.4, Asumsi Analisis Konjoin 101 5.4.5, Mengestimasi Model Konjoin dan Menghitung Overall Fil. vo 101 5.4.8, Mengintespretasikan Has 103 DAFTAR PUSTAKA. 105 iv | Multivariate Analysis Training DAFTAR GAMBAR ANALISIS FAKTOR Gambar 1. 1Tanap Analisis Faktor. 2 Genier | 2 fetniemiamngn rebel eee deta dint 8 Gambar 1, 3 Contoh Scree Plot. 1 Gambar 1. 4 Rotasi Faktor Orthogonal (a) dan Rotasi Faktor Oblique (b). 4 ANALISIS REGRESI MAJEMUK GGambar 2, 1 Tahapan Murtible Regression Analysis. 24 ‘Gamat 2. 2 Analisis Gratis Tethadap Residual (E170n. 29 Gambar 2, 3 Scatterpiot Regression Standardized Residual nu 39 Gambar 2, 5 Normal P-P plot of Regression Standard. 3 a) Gambar 2. 4 Normal Plot Residual 40 ANALISIS KLASTER Gambar 3. 1Tshapan Analisis Klaster a7 Gambar 3, 2 Dua Jenis Varlansi n 52 Gambar 2, 9 lustasi Perbedaan Beberapa Metode Klaster. 54 ANALISIS DISKRIMINAN (Gambar 4, 1Tahapan Pengerjaan Analisis Diskrminan a 70 |ANALISIS KONJOIN Gambar 5. 1 Tahapan Analisis Konjoin as Gambar 5, 2 Hubungan Part-Worth (sumiver: Hair et. al, 2010} .noreens 90 Multivariate Analysis Training v DAFTAR TABEL ANALISIS FAKTOR 4. 1Matriks Korelasi Antar Vaviabal Awal 6 1, 2 Bobot Faktor (Tanpa Rotas!) : 12 1. 3 Bobot Faktor (Rotasi Variman) 13 41.4 Nila Eigan dari Masing-Masing Komponen Utama 18 1 Saran Yang Talahan oleh Masng-Masing Fak 5 1,6 Koafsion Skor Faktor 7 5 4.7 Skor Faktor. 16 1.8 Atrbut Pelayanan Bengkel 20 41,9 Nilai Komponen . -_ 21 4.10 Hacil Analisis Faktor 22 ANALISIS REGRESI MAJEMUK Tabel2. 1 Minimum R2 yang Dapat Dinyatakan Sebagal Signikan dengan Power 0.80 untuk Berbagal Jumiah Variabal Independen dan Ukuran Sampel smn 26 abel 2.2 Variabel yang Digunakan. 38 TTabol2. 3 Data Responden, 36 Tabel2. 4 ANOVA. a 38 Tabel2. § Model Summary 40 Tabel2. 6 Coefficients dalam Analisis Signifikansi Modal 4 Tabel 2.7 Variabe! yang Dimasukkan dalam Model. 41 abel 2. 8 Variabel yang Tidak Dimasukkan ke dalam Model ss 42 Tabel 2. 9 KorelasiAntar Veriabel 4a ANALISIS KLASTER abel 3, +Variabel Performansi Perusahaan. Tabel 3. 2 Hasl Klat2 on abel 3. 3 Varlabel Lain Yang Digunakan, 4 Case Processing Summary. 65 Proximity Matrix. 6 Hasil Agglomeration Schedule. 7 Custer Membership .. ANALISIS DISKRIMINAN abel 4, 1 Perbedaan Analisis Regresi dengan Analisis Diskriminan, 68 abel 4,2 Variabe! Yang Digunakan dalam Penelitian 78 Tabel 4, aWiks’ Lambda a0 Tabel 4. 4 Fungsi Kanonik Diskeiminan a vi_ | Multivariate Analysis Training Tabel 4. 5 Signifkxansi Fungei Diskriminan a [ANALISIS KONJOIN Tabel 5. 1Karakteristik Metodologi Analisis Kenjoin 28 Tabol 5. 2 Karaktoristk Metode Pengumpulan Data dalam Analisis Konjolt.rv.smesennse 1 Tabel 5. SNlal Pat-WortA ne snsn 8 Tabel 5. 4 Part-Worth Hasil Konversi 93 Tabel 5. § Deskripsi Level dalam Setiap Atribut 98 Tabol§. 6 Tabet Profi. Bab 1 Analisis Faktor 1 BAB 1 ANALISIS FAKTOR 1.1. PENDAHULUAN [Analisis faktor merupakan pendekatan statistika yang dapat digunakan untuk menganalsis Interrolavonship i antara banyak varlabel dan menjelaskan varlabel-varlabel_tersebut Dberdasarkan dimensi umumnya (fakton. Semua variabel berstatus sama, tidak ada variabel Independen yang menjadi prediktor bagi variabel dependen. Analisis faktor tergolong metode interdependence, sama halnya dengan analisis Klaster dan muttidemension scaling. Pada » Menyeleksi variabel-variabel yang tepat untuk digunakan dalam analiss lanjutan, ‘misalnya untuk analiss regres, Koreas), atau diskriminan, > Scaling : transformasi data -+ skor faktor, yatu membentuk sot variabel baru yang berukuran lebih kecil daripada set variabel awal untuk digunakan dalam analisis lanjutan. 3. Mengidentinkasi struktur hubungan antarvariabel ataupun antarresponden. > Dengan meihat korelas! antarvariabel, penelti dapat mengetahul dimens|-cimensi laten yang mendasari hubungan tersebut. Misal : Variabel ‘pekerjaa’, ‘pendapatan’ ddan ‘kekayaan’ dapat disatukan menjadi ‘kelas sosia’. Analisis faktor dapat menolong ‘penelit| untuk menemukan dimensi-dimensi yang mendasarl sejumlah variabel Multivariate Analysis Training 1.2. TAHAPAN ANALISIS FAKTOR. ‘Secara garis besar, terdapat 6 tahap dalam melakukan anaisis faktor Gambar 1. 1Tahap Analisis Faktor Bab 1 Analisis Faktor 3 1.2.1. Masalah Penelitian Tahap pertama analisis faktor adalah menentukan masalah peneliian yang dikaitkan dengan ‘ujuan penggunaan analisisfaktor 1.2.2 Tipe Analisis Faktor Apabila tujuan analisis faktor adalah untuk mencari dimensi-dimensi laten yang mewakil variabel-variabel, maka analsis faktor yang dilakukan disebut analisis faktor R(R. factor ‘analysys). Analisis faktor juga dapat digunakan untuk mencarikorelasi antarresponden. Dengan kata lain, dengan analisis faktor, peneiti dapat mengetompokkan responden berdaserkan kesamaan karakteristk yang dimiikinya, misalnya jka peneliti menggunakan analsis faktor Q (@ factor analysis). Segmentasi dengan analisis faktor Q_jarang cilakukan. Untuk tujuan tersebut, umumnya para peneliti menggunaken analsis Kaster (cluster analysis). Perbedaan ‘antara analisis Kester dengan analisis faktor dapat clihat dari gratk berkut ini =P Respondent A Respondent B a Respondent C SS Respondent D vA va 8 Jka pengelompokkan objek atau responden diakukan dengan menggunakan analisis Kuster, ‘maka anggota Kaster prtama adalah responden C dan D, sedangkan anggota Klaster kedua ‘adalah responden A dan B. Sedangkan, dengan menggunakan analisis faktor Q, anggota 4 | Multivariate Analysis Training kolompok pertama adalah responden A dan C, dan anggota kelompok kedua adalah responden B dan D. Perbedaan hasil pengelompokkan ini terjadi karena pada analisis Klaster, pengelompokkan responden berdasarkan kedekatan antar respondennya sedangkan pada analisis faktor Q pengelompokkan cilakukan berdasarkan karakteristk respondennya yang terlhat dari esamaan valve untuk tap variabelnya. 1.23, Asumsi TTerdapat 2 jenis asumsi yang digunakan dalam analisis faktor yaitu asumsi berdasarkan conceptual sues dan asumsi berdasarkan statistical issues. ‘Asumsi berdasarkan conceptual issues Dalam analisis faktor, asumsi berdasarkan isu konseptual lebih kris dibandingkan dengan ‘asumei berdasarkan isu statistik. Asumsi ini berhubungan dengan adanya struktur yang ‘mendasari set varlabet atau sampel yang apn olen penelt,dimana penal dsini betanggung Jawab untuk memastikan bahwa variabel-variabel yang dlanalisis dengan menggunakan analisis {faktor ini vac dan layak untuk cipelajari secara konseplual. Hal ni panting karena penggunaan ‘analisis faktor hanya menentukan korelasi antar variabel-varlabel yang dlanalisis tanpa ‘memperhatikan apakah variabel-veriabel tersebut layak untuk dikorelasikan, Sebagai contoh, terdapat satu jonis set variabel yang penilaiannya mempunyai perbedaan karakterstk untuk gender yang berbeda, Set variabel tersebut akan diambil sampelnya sebanyak 100 buah dengan cara 50 sampel clambil dari populas! respoden yang berienis Kelamin pria dan 50 lainnya diambil dari responden yang berjenis Kelamin want. Dalam kasus ini, tidak boleh diakukan analsis faktor untuk set varlabel tereebut dengan cara menggabungkan semua ‘sampel. Hel ini dikarenakan, telah diketahui sebelumnya bahwa karakterstik variabel akan berbeda berdasarkan gender. Analisis faktor tidak bisa mengidentifkasi kesalahan ini, jadi disinlah pontingnya peran penolt untuk mengort asums konseptual i sums! berdasarkan statistical issues ‘+ Varianst dart tap varlabolnya berdistibusi normal ‘+ Data berasal dari populasi yang berdistribusi normal univarit, bersifat homoscedasticly, dan lingarty. Yang dimaksud dengan asumsi homoscedastcity adalah kesamaan variansi atau error antarvariablenya ‘+ Dalam set data terdapat mutkolinesritas Karena tujuan dari analsis taktor ini adalah mengukur keterkatan antar variabel. Yang dimaksud dengan multkolinesritas. adalah Bab 1 Analisis Faktor 5 adanya keterkaitan atau hubungan antar variabelnya. Salah satu metode yang digunakan Untuk meinat Korelasi antar variabel dengan Bartlet’s Test of Spheriity. Bartlett's Test of Sphericity manguj hipotesis bahwa matike korelasi adalah matriks identitas. Jica hipotesis ini diterima, maka penggunaan analsis fektor perlu cipertimbangkan {model faktor yang dipergunakan tidak sesual) karena apabla matriks Korelasi antar vatiabelnya berupa identitas artinya tidak ada kolorasi atau kolerasi antarvariabelnya diragukan. Pengujian multkotinearitas ini merupakan hal yang penting dalam analisis faktor. Cara lain Untuk menguj asume! ni adalah dangan menggunakan nll KMO (Kaiser-Meyer-Olkin) 1.24, Desain Penelitian Dosain analsis faktor moliput tga hal berikut : 1. Penentuan input untuk analisisfaktor. Penentuan variabel-variabel dlakukan sesual dengan landasan tecrts tertentu dan relevan dengan tujuan peneltian, serta sebaikrya satuan yang digunakan untuk mengukur vatiabel-varlabel tersebut adalah sama. Jika tidak dimungkinkan digunakan satuan engukuran yang sama, input nila ini harus distandardisastkan terlebih dahuly (mem rataan sama dengan nol dan deviasi standar sama dengan satu). Sebisa mungkin jenis skala yang digunakan adalah metrik (interval atau rasio), namun dalam kondisi tertentu variabel dummy (variabel yang nilainya 0 atau 1) dapat digunakan, Input data mentah pada analisis faktor pada umumnya berupa satu set nial variabel variabel untuk masing-masing individu atau objek dalam sampel. Kemudian diolah menjadi mmatriks bujur sangkar berukuran p umlah varlabel orisina) yang akan menjadi input algoritma dalam analisisfaktor. Matriks data mentah n x p (n objek dan p variabel)diubah ‘menjadt matriks varans-kovarlans| atau matrks Korolasl. Pada umumnya pendekatan yang digunakan adalah menggunakan matriks Korelasi. Penggunaan matrks korelesi menghilangkan perbedaan yang diakibatkan oleh rataan dan dispersi variabel karena biasanya variabel yang digunakan beluim distandardisasl. Penggunaan matiks kovavlansi dapat cllakukan Jka variansi pada masing-masing variabel tidak jauh berbeda atau pada data mentah telah dilakukan standardidas!(sedemikian hingga variansi dari masing-masing variabel menjadi seragam). Perbandingan penggunaan antara matrks korelasi dan matrks kovarlansi 4. Alasan utamanya adalah karena variabel-variabel yang diukur biasanya mempunyel ‘unit dan skala pengukuran yang berbeda, Penggunaan matrks korelasi menghitangkan 6 | Multivariate Analysis Training perbedaan yang diakibatkan oleh rataan dan dspersi variabel. Jadi variabel yang tadinya mempunyai skala dan satuan yang berbeda siap untuk dibandkingkan, b Penggunaan matrks kovariansi dapat dilskukan jka variansi pada masing-masing vvarlabol tidak jaun berbeda atau pada data montah tolan diakukan standardidas| (edemikian hingga veriansi dari masing-masing variabel menjadi seragam), © Pendekatan dengan matriks kovariansi lebih jarang digunakan, walaupun input ini memberkan keuntungan, antara_ Iain sifat-sifat sampling Principal Component (arlabl) yang diperolah dart matrks Kavarlans! lebih dapat dltelusun, ol 1. 1Matriks KorolasiAntar Variabol Awal | Tana0o | o-so08s | “oaesTo | —oniT8s | ~o.o8eaz % a EE) % Tana | TeaTIE % TOOT Koefision korelasi Koefisien orelasi yang ditampikan dalam Tabel 1.1 menggambarkan seberapa kuat hubungan antar dua variabel, Nilai Korelasi 1 menunjukkan hubungan linier sempurna dar dua buah variabel (nial satu variabel dapat diramalkan secara tepat dari lal varlabel Ppasangannya). Tanda (-) menunjukkan hubungan tersebut berlawanan, Di sini terhat bahwa variabel X, barkorelasi kuat dengan variabel X, (dalam arah negati) dan 2X. Responden yang member lai tinggi pada varlabel X, pada umumnya memberikan rial tinggi pada variabel x, dan sebatinya member nilal rendah pada variabelX;. tergabung dalam faktor bersama, maka koatislen Korelas! parsial antar-pasang varlabel seharusnya kecil jka efek linler dari varabel lain dihiangkan. Pengertian dari korelasi parsial adalah total variansi dari satu variabel yang tidak dijelaskan oleh variabellainnya. Korelasi parsial merupakan estimas! korelaslantar-faktor unk dan seharusnya mendekati 0 agar asumsl analiss faktor terpenuhi. 2. Penentuan jumlah variabel, pengukuran variabel, dan tie variabel Bab 1 Analisis Faktor 7 Variabel yang diplih adalah yang relevan dengan peneltian yang dlakukan, Sekalipun Pponeliti memeriukan sebanyak-banyaknya variabel untuk setiap faktor, variabel_ yang dllbatkan dalam analisis faklor minimal berjumiah lima. Data mentah variabel ini lasumsikan merupakan hasl pengukuran motrk. Untuk kasus Khusus, variabol dummy (nominal, ordinal) dapat digunakan meskipun vatiabel ni termasuk kategori data nonmetrk. 8, Pengukuran sampel. ‘Sebuah peneltan aval dengan menggunakan analsis faktor sebaiknya memiliki sampel tidak kurang dar $0 buah. Hal tersebut berati saat sampel yang digunakan a bawah jumlan 50 maka analisis faktor tak dapat cliakukan, Namun, selain jumiah minimum rsebut,terdapat aturan umum yang dapat dipegang, yaitujumlah sampel micimum lima, all dari jumiah variabel yang ada (S : 1). Ukuran sampel yang lebfn balk lagi jka meni rasio 10 : 1. Beberapa penilti bahkan berpendapat bahwa ukuran sampel yang dapat tera adalah 20 : 1. Pada dasamya, Kecukupan sampel inl akan menyangkut dengan interpretesi yang diiakukan terhadap bobot faktor yang terbentuk di aki. Secara statistk, Kecukupan jumlan sampel secara keseluruhan dapat dithat dari angka Kaiser-Meyer-Olkin (KMO). Nilsiukuran KMO yang kecil mengindikasikan bahwa, Penggunaan analss faktor periu dipertimbangkan. Kaiser (1974) mencinkan ukuran KMO sebagai bert + Marvous (0.90) + Meio (060) + Morons (30) + tera (0.50) + teins (0.70) + Unsesptase (2080) Selain angka KMO, kecukupan data pada analisis faktor dapat diihat pada matriks korelasi antisimage (antiimage correlation matrix). KMO menggambarkan kecukupan data secara keseluruhan, sedangkan diagonal matriks korelasi ant-image menunjukkan kecukupan data_untuk masing-masing veriabel, Jika nilainya kurang dari 0,50 maka penyertaan variabel tersebut peru dipertimbangkan kemball 1.2.8, Model Faktor Pada tahap keempat ini dllakukan dua hal yaity menentukan model fektor dan menentukan jumlah faktor. Terdapat dua prosedur analisis faltor yang paling banyak digunakar ‘princioal component analysis dan common factor analysis. Principal component analysis digunakan apabila penelti ingin mengekstraksi sejumlah besar variabel penelitian menjadi bbeberapa variabel peneitian saja agar lebih mudah tertangani (tujuan yang kedua ot atas). ‘Adapun common factor analysis digunakan mengidentifikasikan strukturhubungan vita 8 | Multivariate Analysis Training ‘antarvarabel dengan mengungkapkan korstruksi(dimensi-dimensi) yang mendasari hubungan tersebut(tuluan pertama di atas). Perbedaan antara principal component analysis dan common factor analyse digambarkan pada Gambar 1.2. Sacara garis besar, metodolog! analsis faktor beruna proses transformasi variabel-varlabel orisinal (awal) menjadi variabel-variabel baru yang saling tidak berkorelasi. Variabel baru ini Cieabut dengan faktor. Masing-masing faktor merupakan kombinasi lnier dar variabel oisinal ‘Salah satu ukuran jumlah informasi yang cipawa atau diteruskan oleh masing-masing faktor ‘adalah variansinya. Sehubungan dengan hal ini, faktorfaktor disusun dangan urutan variansi yang menurun. Faktor pertama merupakan faktor yang paling Informatit (memiiki variansi terielaskan yang maksimum) dan faktor terakhir adalah faktor yang paling sedikit meneruskan Informasi (momilk varlans! terotaskan yang minimum), Jumlah faktor yang dibangkitkan adalah maksimum sabanyak jumiah variabel awal. Namun lkaltkan dengan tujyannya, pada umurmnya jumiah faktor yang dibangkikan adalah sejumilah kecil faktor yang dinilai mencukupi oleh penelii. Cara penentuan jumlah faktor yang bangktkan ini akan dibahas lebin lant Gambar 1.2 Perbedaan antara Principal Component Analysis dan Factor Analysis Perbedaan antara PCA dan CFA > Principal Component Analysis CA) ‘Secara matematis madel PCA (perhatikan kembal gambar 1.2), dapat ditulskan sabagal Bab 1 Analisis Faktor 9 PO eX ot POE WK + Wk a Mk POs i Haak ot We di mana, PC, = Skor faktor untuk faktor ko-mn We _*oefisien skor faktor untuk faktorke-m x, variabel aval (risinal) kexp Perhatikan bahwa masing-masing principal component (Komponen utama) merupakan ombinae! liner ar variabel-variabel ori Common Factor Analysis (CFA) Secara matematis model CFA (perhatikan kembal gambar 1.2, dapat dituiskan sebagai X, 20,0, + Un0F, ++ Vig #0 Nye VnOF, + UnOF: ++ VonOF, +O: WGP, + YOR ot Ye OF +e i mana, OF, = Skor faktor untuk faktor ke-m bobot (loading) faktor kevm untuk variabel ke-p = Variabel aval orsina) ke-p Pethatikan bahwa masing-masing variabel-variabel orsinal merupakan kombinas! liner ari principal component (komponen utama}, ‘Ada beberapa kolemahan yang terdapat pada Common Factor Analysis (OFA): 1. Factor indeteminancy, yaitu setiap responden dapat memilki beberapa skor yang berbeda yang dihasilkan dari model yang dihasiixan (faktor loading dapat berbeda antar responder), 2. Communaites tidak selalu dapat dicar, Kalaupun bisa, hasiinya dapat invalid febih bbesar dari 1). Dengan adanya kelemahan-kelemahan tersebut, pemakaian principal component analysis menjad lebih luas. 10 | Multivariate Analysis Training Penentuan Jumiah Faktor yang Diakstraksi Terdapat beberapa krteria yang dapat digunakan dalam menentukan jumlah faktor yang akan dibentuk, antara lain a. Kfiteria nila eigen Nia eigen menggambarkan jumian variansi yang dapat dijlaskan oleh sebuah taktor. TTelah cibahas bahwa nilsi-nisi dari sebuah variabel, setelah distandardisasikan akan rmemiliki variansi sebesar 1. Hal ini berimplikasi eigen < 1, artinya faktor tersebut membawa informasi yang lebih sedikit dibandingkan veariabel awa. Atau dengan kata lain, Kemampuan menjelaskan variansi data (yang diukur dengan variane) oleh faktor tersebut lebih buruk dibandingkan dengan kemampuan variabel awal. vika faktor ini dimasukkan dalam analisis lebih lanjut, maka akan wahwa jka sebuah faktor memilik nila bertentangan dengan tujuan penggunaan analsis faktor. Kesimpulannya, akan sangat boratasan jk faktor yang iokstraks!cbatasi pada faktor-faktor dengan nilal eigen > 1. b. Kfieria scree plot Sebuah scree plot adalah plot dari nial eigen terhadap nial faktor, dalam urutan proses ckstraksi (gobagal contoh lihat Gambar 1.3). Bentuk dari plot dapat digunakan untuk ‘menentukan jumiah faktor yatu dengan memperhatikan Kecuraman garis yang ada. Proses cekstraksi berhent! pada tte di mana garis menjadi reatf lebih landal. Proses ekstraks! bberhenti pada tik yang merupakan pangkal garis yang mengalami penurunan yang paling tajam. Pada Gambar 1.3, teihat bahawa setelah faktor 2 terjad! penurunan eigen value yang cukup tajam ke faktor 3. Hal tersebut berart!jumlah faktor maksimum yang dapat diekstrak adalah 3 buah. Namun peru cihat juga rill eigen yang ada. Jka faktor yang diekstrak adalah 9, maka tidak memenuhi krteria nilal eigen di atas 1. Oleh Karena itu faktor yang valid hanya sampai faktor 2. Bab 1 Analisis Faktor 11 Gambar 1.3 Gontoh Seree Plot Kritra varians yang teyelaskan Pade kritera in faktoraktor akan diekstraksi sampai dengan jumish proporsi nila eigen kumulatifnya melebihi suatu batas yang dianggap cukup memuaskan (salah satu padoman tumum: untuk imu pastl 80 % dan untuk ilmu sosial 65 %). Kritoria a prion ‘Analisis faktor dapat digunakan pada penelilan yang bersifat eksplorator atau Konfiemator Pada peneltian yang bersifateksploratori, penelt belum mengetahui terdapat berapa faktor yang akan terbentuk. Sabalkaya, pada peneliian yang bersifat konfiematori sudah terdapat Peneltian atau teor atau hipotesis tertentu yang menyatakan bahwa akan terdapat sekian faktor. Pada penelitian konfirmator ini, secara a prior (sesuai kerangka teoriis)ditetapkan Jumlah faktor yang akan diekstraksi, Contoh : konsep ServQual dari Zoltham! dan Parasuraman menyatakan bahwa dimensi kualtas layanan ada lima, yaitu keandalan (reliabinty, aspek-aspek berwujud (tangles), daya tangkep (responsiveness), jaminan (assurance), dan empati (empathy). Dalam hal in, jka diakukan analsis fektor terhadan atribut-atribut kualtas layanan, maka jumiah faktor yang diminta adalah lima, Karena konsop mengatakan demikien, 1.26. Interpretasi Output Analisis Faktor ‘Tordapat tiga tahap dalam melakukan interprotasl faktor = 1 PPerhtungan matrks faktoriisial (yang belum dirotasikan) Matriks faktor 12 | Multivariate Analysis Training ‘Tabel 1.2 Bobot Faktor (Tanpa Rotasi oT 7 ‘Bobo! Faktor Faktor loading) Bobet faktor menggambarkan hubungan (korelas) antara suatu variabel dengan suatu {aktor. Pada Tabel 1.2 angka -0.30 menunjukkan bahwa variabel awal X, memiliki Koreas regatif yang tidak cukup besar dengan Faktor 1. Sebaliknya, variabel awal X, meri korolasi yang cukup besar (0.88) dengan Faktor 2. Ini menunjukkan bahwa Faktor 2 lebih ‘mampu menjelaskan varians rilal yang terjaci pada variabel awal x, cibandingkan dengan Fakior 1, Pada umumnya, pada bobot faktor 0.3 masih dapat dianggap bahwa terdapat korelasi yang signifan. Beberapa variabel dengan bobot faktor yang significan dapat digabungkan dan diberinama baru yang sedapat mungkin mencerminkan variabel-varlabel Penyusunnya tersebut. Komunalitas (Communal ‘Masing-masing variabel awal memiiki nila variansi yang terkait dengan variailtas respons dari tiap responden. Jumlah variansi variabel X, yang dijelaskan atau diteruskan oleh faktor-faktor yang ada (Faktor + dan Faktor 2) disebut dengan komunaltas. Darl oufout pada Tabel 1.2 tampak bahwa 81% variansi variabel X, dapat dijlaskan oleh faktor-faktor yang ada. Jaci, komunaltas, adalah perseniase variansi dari sebuah varabel_ yang berkontibusi terhadap korelasi dengan variabel-variabel lain atau yang umum (common) ‘bagi varlabel yang lan. Nia Kemunaltas ini cihtung dari tota-kuadrat dar factor loading ‘lap veriabelny 2. Ekstraksifaktor [Ekstraksifaktor adalah tahap yang bertujuan untuk menghasikan sejumiah faktor dari data, yang ada, Matrks faktor setelah dirotasi dapat mempermudah interpretasi dalam ‘menentukan variabel-variabel mana saja yang dapat tercakup dalam suatu faktor. Rotasi faktor dapat menghasikan output beberapa solusi (bobot dan nila faktor). Solust in tidak selalu mudah dinterprotasikan. Idealnya sustu variabel memilki bobot faktor yang tinggi Untuk sebuah faktor dan bobot faktor yang rendan untuk faktor-faktorlainnya. Ini dapat Bab 1 Analisis Faktor 13 dlinterpretasixan bahwa variabel tersebut dapat divakil oleh faktor dengan bobo faktor yang tinggi tersebut Solusi dengan variabel-variabel berilai bobot faktor menengah untuk semua faktor akan sult dinterpretasikan. Untuk mengatasi hal inl dlakukanlah rotas| faktor. Rotas! faktor berarti merotasikan dimensi, Hasil rotasi ini tidak mengurangi komunalitas, Arinya, informasi masing-masing variabel yang diteruskan oleh keseluruhan faktor tidak berubah, ‘Yang dapat berubah adalah rial eigen. Namun, umumnya tidak berbeda jauh. Karena lebih ‘muda dinterpretasikan, pada umumnya has rotas faktor inlah yang digurakan untuk ‘analisis lebih larut. abel 1.3 Bobot Faktor (Rotasi Varimax) i ar oo otasl Orthogonal vs Rtas! Obliou FRotasi dapat dllakukan secara orthogonel(siku-siku) atau obfique (tidak siku-siku). Rotas! orthogonal menghasilkan faktor-faktor baru yang independen atau mernlki korelas! no ‘Sedangkan pada rotesi oblique, masing-masing faktor dapat memiki korelsi yang nilainya kecil dan sifatnya lebih floksibel. Terdapat banyak sokali metode rotasi, misalnya varimax, ‘quartimax, dan equimax untuk rotasi orthogonal dan oblimex, quartimin, oblimin, dan promax untuk rotasi oblique. Berikut adalah penjolasan untuk masing-masing metoda, kususrya metoda rotasi orthogonal + Rotasi Orthogonal ‘2 Quartimax. Merupakan metoda rotasi orthogonal yang bertujyan untuk menyederhanakan baris dari matriks faktor. Jac cara Kerja quartimax fokus pada rmerotasikan faktor inisial sahingga bobot faktor pada masing-masing variabel tinggi di eslah eatu faktor dan serendah mungkin pada faktor laine © Varimax, Berbeda dengan quartimax, metoda verimax ini fokus pada rmenyederhanakan kolom dari matriks faktor. Dengan metoda varimax ini, maka 14 | Multivariate Analysis Training penyederhanaan yang paling optimal dicapal apabila terdapat hanya ts dan Os pada setiap kolom. Dengan kata lain, metoda varimax akan memaksimumkan jumiah variansi yang terdapat dalam matriks faktor. Jka dibandingkan dengan metode quartimex, metoda varimax ini lebih banyak digunakan Karena kemampuannya untuk menghasikan diferensiasi antar faktor yang lebih jelas sibandingkan quartimax. © Equimax. Merupakan metoda yang mengkompromisas! antara quartmax dan varmex. Dibandingkan dengan hanya fokus pada salah satu baris atau kolom, fequimax berusaha untuk menyederhakan sebagian dari kedua hal tersebut 'Metoda ini belum dapat diterima secara luas dan sangat jarang digunakan. ‘+ Rotasi Oblique. Yang termasuk dalam jenis rotas! ini adalah oblimax, ablimin, promax, {dan quartimin, Penjelasan untuk masing-masing metoda ini tidak dibahas karena ‘metoda ini berkembang dinamis dan banyak variansi analisis faktor. hstrasi untuk ‘kodua jens rotas! digambarkan pada Gambar 1.4 ) © Gambar 1,4 Rotasi Faktor Oblique (a) dan Rotasi Faktor Orthogonal (b) 3. imerpretas! matriks faktor Setelah diolah (dengan bantuan beberaps jenis program statistika), out data mentah akan ‘menghasikan beberapa output sebagai berkut Bab 1 Analisis Faktor 15 Tabel 1.4 Nii Eigen dari Masing-Masing Komponen Utama T 4 r a Fraparion | TH a CaRaTE | TSO | ORT | OO | OaaS | THOT ‘abe! 1.5 Variansi Yang Terjlaskan oleh Masing-Masing Faktor Tan Raa 5 175 Fakir] FaktorZ % Tass | — oa % DORE] —TaTORE % THR THT % Tse] OS % Dae —] —aTaTa 16 | Multivariate Analysis Training ‘Tabet 1.7 Skor Faktor Beberapa interpretasi dapat dilakukan atas output analsisfaktor yang ditampilkan dalam ‘abel 1.4 sampai dengan Tabel 1.7 datas. Nila Eigen Eigen valve) Niki eigen menggembarkan jumlah variansi yang diteruskan olen sebuah faktor. Nila eigen dapat diperoleh dengan menjumlahkan kuadrat dari bobot faktor untuk seluruh variabel (jumiah kuadrat dalam satu kolom faktor pada Tabel 1.2 dan Tabel 1.2) Nial eigen Faktor 1 yang sebesar 2,7546 menunjukkan bahwa variansi yang terelaskan oleh Faktor 1 adalah ssebesar 2,7546 dari keseluruhan nial variansi awal yang sebesar 5 (karena terdapat § buah variabel yang masing-masing memiliki ili variansi sama dengan 1), Atau proporsi variansi yang terlaskan oleh Faktor 1 adalah sabesar 0.5509 atau 85,0995 (hat baris proportion). Varianst sisanya dijslaskan oleh Faktor 2 (0.9550 atau 35.59) dan faktor-aktor lain Faktor 1 dan Faktor 2 secara bersama-sama mampu menjelaskan 0.9059 atau (90.59%) dari total variansi yang ada (that bars cymufatve). Dari sini tampak cukup beralasan untuk rmenggunakan Faktor 1 dan Faktor 2 sebagai variabel penggantikelima variabel awa Variansi Terjelaskan (Explained Variance] AAngka pada Tabel 1.5 ini menunjukkan jumiah variansi yang dapat dielaskan atau dlteruskan oleh masing-masing faktor. Sebelum rotas,v ni teyslaskan ini sama dengan rilalelgen (that Tabel 1.4) dan sesudah rotasi sadikt berkurang, Total varians! torolaskan dari kedua faktor setelah rotasi adalah sebesar 4,529 atau masih terdapat 0.471 variansi Bab 1 Analisis Faktor 17 yang bolum terjelaskan. Ini berarti apabila digunakan kedua faktor untuk menggantixan kalima variabel awal maka akan terjadi kehilangan informasi sebesar 0.471 rilal variansi yang menjadi tidak terjelaskan, ‘Skor Faktor (Factor Scores “Meskipun faktor-fakior yang diperoleh tidak teramatiterukur sebagaimana kelima variabel ‘awal, namun faktor-faktor ni juga dapat berlaku sebagai variabel. Pada analisis lebih lanjut, hast dari analisisfaktor ini dapat digunakan untuk menggantikan kelima variabel awal tal Nila dari masing-masing faktor yang menggantikan informasi dari Kelima variabel aval ini disebut dengan skorfaktor ‘Kosfisien Skor Faktor Menunjukkan nial koefision dart masing-masing variabel awal (yang telah sistandardisasikan) pada model faktor yang digunakan. Contohnya untuk Responden 1 pada Faktor 1 0.916 0.028X, + 0.088X, ~0.918X, + 0.959X, + 0.959%, 1.27. Validasi ‘Salah satu cara memvaiidas! hasil analiss faktor adalah dengan metnat repycabilty asl ‘nalisis faktor. Hal ini dapat dilakukan dengan menggunakan data yang sama dengan data yang dianalss yaitu dengan membagi dua data tersebut, atau dengan menggunakan data lain yang terpisah. Kemudian bandingkan hasiinya dengan has analiss fakior yang telah didapat sebelumnya, 1.2.8, Kegunaan Tambahan dari Hasil Analisis Faktor Penelti memiiki phan untuk menggunakan analisis faktor tidak sebagai lal untuk merangkum data, seperti pada penjelasan sebelumnya, tetapl analiss faktor dapat juga digunakan sebagal ‘lat mereduksi data. Dalam Konteks ini, analisis faktor dapat membantu mereduksi jumiah variabel, baik dengan cara memiih satu set surrogate variables (one per factor) atau dengan ‘membuat composite variables yang baru untuk setiapfektor. ‘Surrogate variables merypakan variabel yang dapat mewakil variabel-varabel awal dalam satu faktor. Cara memilh surrogate variables adalah dengan memith varlabel dengan faktor loading terbesar untuk caclkan wakll dar faktor. Dalam mamilh surrogate variables tersebut, sangat 18 | Multivariate Analysis Training dlanjurkan untuk menggunakan rotasi orthogonal. Metoda ini dipiih apabila penelt berorientasi pada simmpilfikasi penelitian, ‘Summated scales merupakan nial komposit dari suatu set variabel yang diperolen dengan cara mencarirata-rata dari nial variabel awal dalam suatu skala, Metoda ini dipith apabla penal tertark untuk melakukan replikasi pada analsis anjutan, Factor scores dibuat berdasarkan besar bobot faktor yang ada. Metoda ini dipiih apabila pponoltl tertark untuk menghaslikan ortogonalitas dalam pongukuran. Pengqunaan untuk Analisis Lebih Lanjut (Output deri anaiisis faktor(skor faktor) dapat digunakan sebagai input untuk anailsis-analisis, Statistika multvariat lainnya (misalkan analisisklaster, analisie diskriminan, dan analisis ragcesi liner berganda). Dengan menggunakan analsis faktor (principal component analysis) jumlah variabel awal akan direduksi menjadi sejumiah faktor yang berhasildickstraksi sehingga akan Jebin memudahkan perhtungan. 1.3. STUDI KASUS Judul permasalahan: “IDENTIFIKASI SEGMEN DAN PREFERENS! KONSUMEN BENGKEL ‘SEPEDA MOTOR DI KOTA BANDUNG”. Diadaptasi dari thesis MM-ITB oleh Wiguna (28199146, 1.3.1, Pendahuluan ‘Sepeda motor merupakan salah satu alat transportasi yang populer di Indonesia. Setiap ‘sepeda motor tentu saja memeriukan perawatan berkala dan juga sewaktu-waktu harus digantl Suku cadangnya, Perawatan dan penggantian suku cadang ini pada umumnya dilakukan ci bbongkel Di kota Bandung terdapat banyak sekali bengkel motor, mula dari bengkel resmi suatu merek ‘motor sampai bengkel yang bersfat umum untuk semua jenis merek. Walaupun secara sekilas ‘bengkel resmi tampaknya akan lebih ciminatl Konsumen Karena adanya jaminan kualtas servis, tetapi Kenyataan i lapangan menunjukkan pula banwa terdapat bengkel resmi yang usahanya, Jesu. Di sis lain tampak pula beberapa bengkel uum yang maju usahanya. Dari fenomena ini kemudian muncul pertenyaan yang ingin dicoba cijawab melalui peneitian in yaitu Bab 1 Analisis Faktor 19 ‘+ Hal-hal apa saja yang menjadi perimbangan Korsumen dalam memilih bengkel untuk ‘merawat darVatau memperbsiki sepeda motornya? ‘+ Bagaimana segmentasi konsumen bengkel sepeda motor ini? 1.3.2. Metode Pengolahan Data Data cikumpulkan melalui Kuisioner yang bersikan 39 pertanyaan berkaitan dengan atribut- atribut pelayanan sebuah bengkel. Responden diminta untuk member rating tingkat kepentingan dari masing-masing atribut dari sangat penting sampai dengan sangat tidak penting. Pengolahan data selanjutnya dllakukan mengikuti langkah-langkah berkut 4. Pengukuran validtas dan relabiltas alat ukur. Untuk mangukur valiitas alat ukur digunakan rilal Koefisien korelasi dan untuk menggunakan reliabiltas alat ukur digunakan Alpha- Cronbach, Setelah validitas dan refabiltes lat ukur teruj, langkeh selanjutnya adalah mengelompokkan ke-39 atribut menjadi beberapa faktor. Dalam istilah lain : menggal faktor-faktor yang dipertimbangkan konsumen dalam memith bengkel sepeda motor Derdasarkan penilsian atas ke-99 atribut yang diukur. Proses ini menggunakan metode analisisfaktor. 8. Selanjutnya berdasarkan faktorfaktor yang berasil Giekstraksi dari tahap 2 di atas, dllakukan pengelompokan konsumen berdasarkan preferensi mereka terhadap masing- masing faktor. Langkah 1, 2, dan 3 di atas menggunakan analisis mulivaiat 20 | Multivariate Analysis Training 1 6 Atribut Pelayanan Bengkel Desks T ET 7 eal 7 Talia 77 EST Ta | aR IRN Ta TE 8 aT Ta pana a 2 rapa ca Tae Soa 23 RT a SIT Trang ape pat a 2 Bab 1 Analisis Faktor 21 1.3.3, Ringkasan Hasil Analisis Faktor Rotated Component Matrix dari analisis faktor adalah sebagai berikut abel 1.9 Mia Komponen ‘Camponert 7 t TET ST Opry VARS | 205 var24 726 varza | 719 var 18 | 640 333 vvar ae | 50 482 var 17 | 542 vvar23 | 498 | 340 352 VAR 16 m2 VAR 08 728 vaR11 s18 aR 09 56s VAR 33 ssc | 222 aR 32 ara VAR 26 450 | 201 vaR27 rer VAR 06 708 VAR 36 sr | 350 var 25 | 04 06 287 vaRo2 20 vaRot 553 225 AR 03 783 VAR 04 138 vaR21 m VARI9 x2 VAR 13 et VAR14 702 aR 22 29 vaR12 462 428 vaR 10 748 VAR 05 590 vaRo7 a | 60 VAR 16 m VAR 19 599 VAR 708 22 | Multivariate Analysis Training Ringkasan hasil anaisisfaktor i atas adalah sebagai berkut 110 Haeil Analisis Faktor V35_— | Administrasitahu pokeraannya Vea | Raminarasrramah ‘Administrasi [W281] Komunikaat dengan administra Vid | Acminietrast dapat menjawab Vas | Keramanan petogas fan iT | Tafa car amine Vas Pendataan bak FavtorZ Vis] Wontirani ‘kualitssTeknis dan [VE | Kualitas toramin soM vat | Rea Va__| Tanagay dan respons Vas] Pahiungan aya boner Vaz] emaat can mone vas] Garanar Vas] Natmambants Faktors Vat | Tokasteojaian Kemudshan Akses [VE] Lokal deka Vie] Farm baka Th Tama Favors Vz] Nama terkenat Keoaibittas Fisk [Vi | Gedung modern Vad] Fasiias ibaran vai Adanya worse Favor’ ve aTayanan Copal Kecepaten [VE] Tepatanit Favor Vai | Peralatan mode Porlengkapan | Vad | PeralatanTengkap Beengkel Via] Kapaattas banyak FaKtor7 Via] Konuniias dengan nani Komunikasi dengan [VEZ | Want dapat meniawa Montir Viz__| Aéanya ivormasr trian bongrer vi | Nontrraman Fakir Vio Bengkerresm Formalites [VS | Ruang tunggu nyamar FaKtor Vis | Fasiltas Komunikaal Tengkap roaibiiias Kasat_ [VIG] Bengrelpenmh Mata Bab 3 Analisis Klaster, 23 BAB 2 ANALISIS REGRESI LINIER MAJEMUK 2.1. PENDAHULUAN Multiple Regression Analysis (Analisis Regresi Malemuk) adalah salah satu teknik mutivarat yang digunakan untuk mengestimas! hubungan antara satu variabel dependen metrik (kuantitatif) dengan satu himpunan variabelindependen metrk atau nonmetrik. Dengan analisis regresi majemuk penelti dapat mengestimasi dan alau memprediksi nial rata-rata (populas) satu variabel dependen berdasarkan dua atau lebih variabel Independen. Analisis regresi akan ‘menghasikan sebuah persamaan/modelregresi [Analisis regresi majemuk berbeda dengan analsis korelasi yang hanya menghasikan ia korelasi. Pada analisis korelasi, yang dianalsis ialah keberadaan hubungan antara dua varlabel ddan seberapa kuat hubungan tersebut, sedangkan pada analisis regresi majemuk yang lanalisis adalah seberapa besar pengarun suatu variabel (Golanjutnya disebut variabel independen) techadap variabellainnya (selanutnya disebut variabel dependen) ‘Sebagai contoh, seorang paneli menduga bahwa tingkst penjuslan produk tertentu

Vous aimerez peut-être aussi