Pelatihanspss
Pelatihanspss
=
0
,
5
8
0
p
=
0
,
0
0
0
=
0
,
4
0
6
p
=
0
,
0
0
0
=
0
,
2
7
5
p
=
0
,
0
0
4
=
0
,
1
4
7
p
=
0
,
2
0
4
=
0
,2
3
3
p
=
0
,0
1
0
=
0
,
3
2
5
p
=
0
,
0
0
3
Dari gambar di atas diperoleh bahwa gambaran terdapat beberapa path yang signifikan. Koefisien
diatas adalah pengaruh langsung masing-masing variabel. Sedangkan pengaruh tidak langsung yang
bisa diukur adalah:
1. Pengaruh X1 ke X5 melalui X3: 0,308 0,147 = 0,045
2. Pengaruh X1 ke X5 melalui X4: 0,406 0,233 = 0,095
3. Pengaruh X2 ke X5 melalui X3: 0,580 0,147 = 0,085
4. Pengaruh X2 ke X5 melalui X4: 0,239 0,233 = 0,056
Berdasarkan model-model pengaruh tersebut, dapat disusun model lintasan pengaruh sebagai berikut.
Model lintasan ini disebut dengan analisis path, dimana pengaruh error ditentukan sebagai berikut:
Regresi 1 : P
e1
=
2
1
R 1 =
2
594 , 0 1 = 0,804
Regresi 2 : P
e2
=
2
2
R 1 =
2
308 , 0 1 = 0,951
-aNNa- Pelatihan SPPS by MIIS, Melb 2008
P a g e | 16
Regresi 3 : P
e3
=
2
3
R 1 =
2
614 , 0 1 = 0,789
Sehingga Koefisien determinasi total
R
2
m
= 1 P
e1
2
P
e2
2
P
e3
2
= 0,635
Artinya keragaman data yang dapat dijelaskan oleh model analisis path tersebut adalah sebesar 0,635
atau 63,5% atau dengan kata lain informasi yang terkandung dalam data 63,5% dapat dijelaskan
oleh model tersebut. Sedangkan yang 36,5% dijelaskan oleh variabel lain yang belum terdapat dalam
model dan error.
Langkah terakhir yang dilakukan adalah menguji asumsi linieritas masing-masing variabel.
Untuk menguji asumsi linieritas pertama, pilih menu Analyze > Regression > Curve Estimation
Kemudian masukkan Dependent Variable: X3, X4, dan X5, Independent Variable: X1, tekan OK
Untuk menguji asumsi linieritas kedua, pilih menu Analyze > Regression > Curve Estimation
Kemudian masukkan Dependent Variable: X3, X4, dan X5, Independent Variable: X2, tekan OK
Untuk menguji asumsi linieritas ketiga, pilih menu Analyze > Regression > Curve Estimation
Kemudian masukkan Dependent Variable: X5, Independent Variable: X3 tekan OK
Untuk menguji asumsi linieritas keempat, pilih menu Analyze > Regression > Curve Estimation
Kemudian masukkan Dependent Variable: X5, Independent Variable: X4 tekan OK
Curve Fit
MODEL: MOD_1.
Independent: X1
Dependent Mth Rsq d.f. F Sigf b0 b1
X3 LIN ,317 78 36,15 ,000 3,4131 ,2764
X4 LIN ,264 78 27,92 ,000 2,5572 ,4143
X5 LIN ,471 78 69,57 ,000 2,8334 ,3906
Curve Fit
MODEL: MOD_2.
Independent: X2
Dependent Mth Rsq d.f. F Sigf b0 b1
X3 LIN ,510 78 81,19 ,000 3,6229 ,2190
X4 LIN ,176 78 16,63 ,000 3,4041 ,2112
X5 LIN ,437 78 60,50 ,000 3,4700 ,2347
Curve Fit
MODEL: MOD_3.
Independent: X3
Dependent Mth Rsq d.f. F Sigf b0 b1
X5 LIN ,449 78 63,45 ,000 ,9545 ,7758
Curve Fit
MODEL: MOD_4.
Independent: X4
Dependent Mth Rsq d.f. F Sigf b0 b1
X5 LIN ,313 78 35,60 ,000 2,8154 ,3946
-aNNa- Pelatihan SPPS by MIIS, Melb 2008
P a g e | 17
3. Analisis Diskriminan
Analisis ini mirip dengan regresi, akan tetapi variabel dependennya bersifat kategori
(nonmetrik). Ciri-ciri dari metode analisis ini adalah :
Input data : Data dari observable variable dan bukan data dari indikator variabel latent
(konstruks). Variabel dependen memiliki data nonmetrik dan variabel independen berupa data
kategori (nonmetrik) dan atau metrik.
Metode Perhitungan : Konsep eigen value dan eigen vector.
Output : Berupa fungsi (diskriminan)
Kegunaan : Merupakan alat untuk prediksi alternatif, alat pengelompokkan obyek dan faktor
determinan, yaitu dapat digunakan untuk menentukan variabel mana yang merupakan
pembeda terkuat.
Analisis diskriminan merupakan suatu teknik statistik untuk mencapai tujuan sebagai berikut:
1. Menemukan variabel yang membedakan secara signifikan antara dua kelompok.
2. Menyusun suatu persamaan atau fungsi untuk menghitung nilai indeks yang akan mewakili
secara tepat perbedaan antara dua kelompok.
3. Menggunakan indeks yang terhitung sebagai pedoman untuk mengklasifikasikan observasi
selanjutnya ke dalam salah satu kelompok tersebut.
Sebagai ilustrasi digunakan data diskriminan, yang berisi penelitian tentang analisis kinerja
keuangan dengan menggunakan analisis diskriminan pada perusahaan Food and Beverages yang Go
Public di BEJ. Adapun definisi variabel adalah sebagai berikut:
X1 : Rasio Lancar
X2 : Rasio cair
X3 : Rasio perputaran persediaan
X4 : Rasio Perputaran Tabel Aktiva
X5 : Rasio Hutang terhadap Aktiva
X6 : Rasio Hutang terhadap Ekuitas
X7 : Marjin Laba Kotor
X8 : Rasio Laba Operasi bersih Terhadap Penjualan
X9 : Rasio Laba Operasi bersih Terhadap Total Aktiva
X10 : Rasio Hasil Pengembalian atas Ekuitas
Y : Kategori awal perusahaan (sehat dan tidak sehat)
Untuk melakukan analisis diskriminan, pilih menu Analyze > Classify > Discriminant
Kemudian masukkan Grouping Variable: y, lalu Define Range: minimum 0 dan maximum 1,
continue.
- Hidupkan Use Stepwise Method, dan pada bagian Method, hidupkan mahalanobis distance,
dan use probability of F.
- Pada bagian statistics, hidupkan means, univariate ANOVA, function coefficient hidupkan
unstandardized.
- Pada bagian classification, klik casewise result, dan leave-one out classification.
- Pada bagian save, hidupkan predicted group membership.
- Klik OK.
-aNNa- Pelatihan SPPS by MIIS, Melb 2008
P a g e | 18
Discriminant
Group Statistics
,8511 ,89764 19 19,000
,5558 ,49082 19 19,000
5,8368 ,99584 19 19,000
,8689 ,41808 19 19,000
,6926 ,13295 19 19,000
,5089 ,82179 19 19,000
,1847 ,06769 19 19,000
-,0374 ,04382 19 19,000
-9,1942 6,55686 19 19,000
-21,6105 6,33255 19 19,000
1,5879 ,92453 61 61,000
,9061 ,44088 61 61,000
5,5280 1,11652 61 61,000
,9861 ,61649 61 61,000
,5400 ,12724 61 61,000
,7482 ,54300 61 61,000
,2174 ,06522 61 61,000
,0500 ,04872 61 61,000
7,2089 6,01210 61 61,000
14,1602 12,88835 61 61,000
1,4129 ,96557 80 80,000
,8229 ,47436 80 80,000
5,6014 1,09099 80 80,000
,9583 ,57532 80 80,000
,5763 ,14351 80 80,000
,6914 ,62314 80 80,000
,2096 ,06685 80 80,000
,0292 ,06033 80 80,000
3,3131 9,30537 80 80,000
5,6646 19,23399 80 80,000
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
Y
,00
1,00
Total
Mean Std. Deviation Unweighted Weighted
Valid N (listwise)
Tests of Equality of Group Means
,893 9,325 1 78 ,003
,900 8,666 1 78 ,004
,985 1,163 1 78 ,284
,992 ,597 1 78 ,442
,793 20,414 1 78 ,000
,973 2,167 1 78 ,145
,956 3,566 1 78 ,063
,615 48,742 1 78 ,000
,430 103,326 1 78 ,000
,366 135,279 1 78 ,000
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
Wilks'
Lambda F df1 df2 Sig.
-aNNa- Pelatihan SPPS by MIIS, Melb 2008
P a g e | 19
Analysis 1
Summary of Canonical Discriminant Functions
Classification Statistics
Analisis Diskriminan dengan metode langsung digunakan untuk melakukan uji terhadap
semua variabel bebas secara serentak terhadap variabel terikat untuk membedakan kinerja keuangan
perusahaan food and beverages dalam dua kelompok, yaitu kelompok perusahaan dengan kinerja
keuangan yang sehat dan tidak sehat.
Eigenvalues
3,198
a
100,0 100,0 ,873
Function
1
Eigenvalue % of Variance Cumulative %
Canonical
Correlation
First 1 canonical discriminant functions were used in the
analysis.
a.
Wilks' Lambda
,238 104,726 10 ,000
Test of Function(s)
1
Wilks'
Lambda Chi-square df Sig.
Functions at Group Centroids
-3,164
,985
Y
,00
1,00
1
Function
Unstandardized canonical discriminant
functions evaluated at group means
Classification Results
b,c
19 0 19
1 60 61
100,0 ,0 100,0
1,6 98,4 100,0
18 1 19
3 58 61
94,7 5,3 100,0
4,9 95,1 100,0
Y
,00
1,00
,00
1,00
,00
1,00
,00
1,00
Count
%
Count
%
Original
Cross-validated
a
,00 1,00
Predicted Group
Membership
Total
Cross validation is done only for those cases in the analysis. In
cross validation, each case is classified by the functions derived
from all cases other than that case.
a.
98,8% of original grouped cases correctly classified.
b.
95,0% of cross-validated grouped cases correctly classified.
c.
-aNNa- Pelatihan SPPS by MIIS, Melb 2008
P a g e | 20
Dengan menggunakan metode langsung, maka 10 rasio keuangan dari perusahaan food and
beverages dalam penelitian ini dimasukkan secara serempak. Hasil analisis tersebut adalah sebagai
berikut:
Koefisien Fungsi Diskriminan Standardized dan Unstandardized dengan Metode Langsung
No. Rasio Keuangan Standardized Unstandardized
1. Rasio Lancar (X
1
) 0,254 0,277
2. Rasio Cair (X
2
) 0,003 0,006
3. Rasio Perputaran Persediaan (X
3
) -0,247 -0,227
4. Rasio Perputaran Total Aktiva (X
4
) -0,405 -0,702
5. Rasio Hutang Terhadap Aktiva (X
5
) -0,246 -1,913
6. Rasio Hutang Terhadap Ekuitas (X
6
) 0,075 0,121
7. Marjin Laba Kotor (X
7
) -0,028 -0,429
8. Rasio Laba Operasi Bersih Terhadap
Penjualan (X
8
)
-0,005 -0,108
9. Rasio Laba Operasi Bersih Terhadap Total
Aktiva (X
9
)
0,415 0,068
10. Rasio Hasil Pengembalian Atas Ekuitas
(X
10
)
0,835 0,071
Constanta 2,031
Dari tabel di atas dapat diketahui bahwa nilai koefisien fungsi diskriminan standardized dari
10 variabel pembeda berperan dalam mengelompokkan perusahaan food and beverages yang
berkinerja sehat dan perusahaan food and beverages yang berkinerja tidak sehat.
Koefisien fungsi diskriminan unstandardized dapat digunakan untuk melihat kontribusi
variabel X terhadap skor diskriminan apabila terjadi semua variabel X bernilai 0 (X=0), maka skor
diskriminannya adalah sebesar 2,031, yang berarti bahwa tanpa kontibusi dari variabel X, maka kodisi
keuangan suatu perusahaan menjadi positif sehingga cenderung masuk ke dalam kelompok
perusahaan yang berkinerja sehat.
Dari hasil struktur matrik dengan metode langsung dapat diketahui urutan dari variabel
pembeda yang paling memberikan kontribusi pada model diskriminan dengan metode langsung, yaitu
rasio hasil pengembalian atas ekuitas (X
10
), rasio laba operasi bersih terhadap total aktiva (X
9
), rasio
laba operasi bersih terhadap penjualan (X
8
), rasio hutang terhadap aktiva (X
5
), rasio lancar (X
1
), rasio
cair (X
2
), marjin laba kotor (X
7
), rasio hutang terhadap ekuitas (X
6
), rasio perputaran persediaan (X
3
),
dan rasio perputaran total aktiva (X
4
).
Pengelompokan perusahaan food dan beverages yang berkinerja sehat dan tidak sehat dapat
dilihat dari perhitungan rata rata nilai diskriminan. Function at group of centriods dengan
menggunakan metode langsung dari masing masing kelompok perusahaan food and beverages
adalah sebagai berikut:
Centroid dari kelompok perusahaan yang berkinerja sehat adalah 0.989.
Centriod dari kelompok perusahaan yang berkinerja tidak sehat adalah -3.176.
Batas nilai Z antara kelompok peruahaan yang berkinerja sehat dan perusahaan yang berkinerja
sehat adalah :
-aNNa- Pelatihan SPPS by MIIS, Melb 2008
P a g e | 21
B A
A B A
CU
N N
Z N Z N
Z
+
+
=
B
(61) (-2.984) (19) (0.930)
-2.054425
( 61 19)
CU
Z
+
= =
+
Berdasarkan nilai Z
CU
, maka suatu perusahaan dikatakan berkinerja sehat apabila mempunyai
nilai Z< -2,1786.
Untuk mengetahui hubungan antara variabel pembeda dengan variabel terikat, dan juga seberapa
besar variabel terikat dapat dijelaskan oleh variabel pembeda, dapat dilihat dari nilai Canonical
Corelation Metode Langsung dari hasil penelitian ini.Koefisien determinasi Koefisien (R
2
) atau disebut
juga dengan Fit Model, dimana mempunyai nilai yang bergerak antara 0 1 atau ( 0 < R
2
<1),
digunakan untuk mengukur variasi variabel terikat yang dapat dijelaskan oleh variabel bebas dalam
suatu model. Nilai R
2
dapat diperoleh dengan mengkuadratkan nilai canonical coralation. Nilai
canonical coralation dengan menggunakan metode langung dalam penelitian ini adalah 0,873, maka
nilai R
2
= (0,873)
2
= 0,7621 atau R
2
= 76,21%. Ini berarti kesepuluh variabel rasio keuangan yang
digunakan dalam penelitian ini mampu menjelaskan pemisahan antara perusahaan yang mempunyai
kinerja sehat dan tidak sehat sebesar 76,21%.
Hasil Pengelompokkan Berdasarkan Nilai Z Menurut Sampel Analisis Pada Kedua Kelompok
Perusahaan dengan Metode Langsung
Kinerja
Perusahaan
Jumlah Kasus Prediksi Kategori Perusahaan
Tidak Sehat Sehat
Tidak Sehat ( 0 ) 19 19
( 100%)
0
( 0 )
Sehat ( 1 ) 61 1
(1.6%)
60
( 98,4%)
Hasil dari analisis diskriminan masing-masing variabel yang diuji, yang dapat dilihat pada Test
of Equality of Group Means, diperoleh nilai Wilks Lambda, F ratio, dan tingkat signifikansi masing-
masing variabel.
Dari output diatas diketahui bahwa dengan menggunakan tingkat signifikansi = 0,05,
ternyata terdapat empat variabel penelitian yang tidak signifikan, karena mempunyai nilai signifikan
of F di atas nilai (0,05), yaitu marjin laba kotor (X
7
), rasio hutang terhadap ekuitas (X
6
), rasio
perputaran persediaan (X
3
), rasio perputaran total aktiva (X
4
), sedangkan sisanya signifikan.
-aNNa- Pelatihan SPPS by MIIS, Melb 2008
P a g e | 22
4. Analisis Faktor
Maholtra (1996) mengatakan bahwa dalam analisis faktor ini tidak dibedakan antara variabel
independen dan variabel dependen dimana seluruh variabel yang ada diteliti, mempunyai hubungan
saling tergantung. Maholtra (1996) menjelaskan bahwa melalui analisis faktor akan diperoleh hasil:
1. Identifikasi dimensi-dimensi atau faktor-faktor mendasar yang dapat menjelaskan korelasi dari
serangkaian variabel.
2. Identifikasi variabel-variabel baru yang lebih kecil untuk menggantikan variabel yang tidak
berkorelasi dari serangkaian variabel asli (asal) yang berkorelasi dari analisa multivariate (analisa
regresi atau diskriminan).
3. Identifikasi variabel-variabel kecil yang menonjol (dari variabel yang lebih besar) dari suatu
analisis multivariate.
Jika variabel-variabel tersebut dibakukan model faktornya adalah sebagai berikut:
X
i
= A
i1
F
1
+ A
i2
F
2
+ A
i3
F
3
+ + A
im
F
m
+ V
i
U
i
Dimana:
X
i
= Variabel standar ke-i
A
ij
= Koefisien multiple regression dari variabel
i pada common factor j
F = Common Factor (faktor umum)
V
i
= Koefisien standar regresi dari variabel
i pada faktor khusus i
U
i
= Faktor khusus dari variabel i
m = jumlah dari faktor-faktor umum.
Faktor-faktor tidak berkorelasi satu sama lain, juga tidak ada korelasinya dengan faktor-faktor
umum. Faktor-faktor umum dapat dinyatakan sebagai kombinasi linier dari variabel-variabel yang
dapat diamati. Dengan formula sebagai berikut:
F
i
= W
i1
X
1
+ W
i2
X
2
+ W
i3
X
3
+ + W
ik
X
k
Dimana:
F
i
= Estimasi faktor ke-i
W
i
= Bobot atau koefisien nilai factor ; k = Jumlah variabel
Merumuskan masalah
Menyusun Matriks Korelasi
Menentukan Jumlah Faktor
Merotasi Faktor-faktor
Menafsirkan Faktor-faktor
Menghitung
Skor Faktor
Memilih variabel
pengganti
Menentukan model yang tepat
-aNNa- Pelatihan SPPS by MIIS, Melb 2008
P a g e | 23
Berdasarkan gambar di atas secara umum penggunaan Analisis Faktor akan melalui beberapa
tahap antara lain:
1. Uji Independensi Variabel dalam Matrik Korelasi
Pada tahap ini semua data yang masuk dengan bantuan komputer akan dapat diidentifikasi.
Variabel-variabel tertentu yang hampir tidak mempunyai korelasi dengan variabel lain sehingga
dapat dikeluarkan dari analisis, dalam waktu yang bersamaan juga dapat diketahui variabel-
variabel yang menimbulkan masalah multikolinieritas dengan koefisien korelasi lebih tinggi dari
0,800. Jika terjadi demikian, maka variabel ini nantinya dijadikan satu atau dipilih salah satu
untuk analisis lebih lanjut (Barletts Test of Sphericity), untuk mengukur signifikansi uji ini
digunakan chi-square tabel. Kemudian dilakukan uji Keiser-Meyer-Olkin (KMO) untuk mengetahui
kecukupan sampelnya. Nilai KMO kurang dari 0,50 mensiratkan bahwa teknik analisis faktor
tidak tepat untuk digunakan dalam studi ini. Sedangkan semakin tinggi nilai KMO akan semakin
baik penggunaan model analisis faktor.
2. Ekstraksi Faktor/Metode Analisis Faktor
Terdapat sejumlah teknik atau metode untuk melakukan ekstraksi dalam analisis faktor. Dalam
studi ini penentuan teknik analisis faktor akan dilakukan dengan teknik PCA (Principal
Component Analysis). Dengan teknik ini diharapkan dapat diperoleh hasil yang dapat
memaksimumkan prosentase varian yang mampu dijelaskan oleh model.
3. Menentukan Jumlah Faktor dan Rotasi Faktor
Setelah variabel disusun berdasarkan pola korelasi hasil langkah pertama kemudian menentukan
jumlah faktor yang diperlukan untuk mewakili data. Pada langkah ini akan diketahui sejumlah
faktor yang dapat diterima atau layak mewakili seperangkat variabel yang dianalisis dengan
melihat dari besarnya nilai eigen value serta presentase varian total. Dalam penelitian ini
meskipun pada mulanya variabel-variabel yang dianalisis telah dikelompokkan secara apriori ke
dalam beberapa faktor, namun untuk analisis dan interpretasi selanjutnya akan didasarkan pada
hasil analisis statistik dengan teknik PCA dimana untuk memilih faktor inti yang dapat mewakili
sekelompok variabel adalah yang mempunyai nilai eigen value minimal sama dengan 1,00 (satu).
Hasil dari ekstraksi faktor yang masih kompleks kadangkala masih sulit untuk dapat
diinterpretasikan, oleh karena itu bila dari matriks faktor mula-mula ternyata masih sulit
diinterpretasikan maka diperlukan rotasi faktor yang dapat memperjelas dan mempertegas
factor loading dalam setiap faktor sehingga lebih mudah untuk diinterpretasikan. Selanjutnya
memperhatikan matrik faktor mula-mula, eigen value, persentase varian dan factor loading
minimum kita dapat menentukan suatu variabel masuk faktor yang mana, sehingga dapat
diidentifikasi nama atau sebutan lain dari variabel yang bergabung tadi.
4. Perhitungan Skor Faktor
Perhitungan skor faktor pada dasarnya dimaksudkan untuk mencari nilai faktor yang dapat
digunakan untuk analisis multivariate selanjutnya.
5. Pemilihan Surrogate Variabel
-aNNa- Pelatihan SPPS by MIIS, Melb 2008
P a g e | 24
Di samping mencari nilai skor faktor, cara lain yang dapat digunakan untuk keperluan analisis
multivariate selanjutnya adalah dengan mencari salah satu variabel dalam setiap faktor sebagai
wakil dari masing-masing faktor yang bersangkutan atau juga dikenal dengan surrogate variabel.
Pada umumnya penentuan surrogate variabel didasarkan pada nilai factor loading.
6. Menentukan Ketetapan Model
Sama halnya dengan sejumlah model analisis statistik lainnya, untuk mengetahui apakah model
mampu menjelaskan dengan baik fenomena data yang ada perlu diuji terlebih dahulu
ketepatannya. Untuk menguji ketepatan model analisis faktor dengan teknik PCA dapat
dilakukan dengan melihat besarnya prosentase korelasi residual di atas 5% atau 10%. Semakin
tinggi nilai prosentase tersebut akan semakin buruk kemampuan model dalam menjelaskan
fenomena data yang ada. Tidak ada ketentuan yang baku mengenai batas maksimum
prosentase residual yang dapat diterima, namun bila tingkat residual mencapai lebih dari 50%
maka tingkat ketepatan teknik PCA akan semakin melemah, sehingga perlu dicari teknik analisis
faktor lain yang dapat meminimumkan nilai prosentase residual tersebut.
Contoh: Faktor-faktor apa sajakah yang dipertimbangkan konsumen dalam keputusan pembelian
deterjen Rinso
1. Variabel yang terkait dengan Internal Konsumen:
X
1
: Kebutuhan
X
2
: Pengalaman
X
3
: Persepsi
X
4
: Usia
X
5
: Gaya Hidup
X
6
: Kepribadian
X
7
: Sikap Pendirian
2. Variabel yang terkait dengan Budaya:
X
3
: Kebiasaan
3. Variabel yang terkait dengan Kelas Sosial:
X
9
: Pendapatan
X
10
: Tingkat Pendidikan
X
11
: Pekerjaan
4. Variabel yang terkait dengan Kelompok Sosial dan Referensi:
X
12
: Keluarga
X
13
: Teman Sejawat
X
14
: Opini Pemimpin
5. Variabel yang terkait dengan Produk:
X
15
: Kemasan
X
16
: Kualitas
X
17
: Keistimewaan
-aNNa- Pelatihan SPPS by MIIS, Melb 2008
P a g e | 25
X
18
: Merek
X
19
: Ukuran
X
20
: Manfaat
6. Variabel yang terkait dengan Harga:
X
21
: Harga Produk
X
22
: Diskon/Potongan Harga
X
23
: Pemberian Hadiah
7. Variabel yang terkait dengan Distribusi:
X
24
: Ketersediaan Produk
X
25
: Lokasi
8. Variabel yang terkait dengan Promosi:
X
26
: Frekuensi Penayangan
X
27
: Isi Peran Iklan
X
28
: Tokoh Pendukung
Tahap I
Masuk ke menu Analyze > Data Reduction > Factor. Masukkan semua variabel ke dalam
variables. Pada bagian Descriptives hidupkan KMO and Bartlett`s test of sphericity and Anti Image.
Nilai MSA
X1 0,912 X15 0,318*
X2 0,906 X16 0,905
X3 0,851 X17 0,925
X4 0,449 * X18 0,913
X5 0,863 X19 0,896
X6 0,881 X20 0,923
X7 0,893 X21 0,764
X8 0,63 X22 0,276*
X9 0,857 X23 0,865
X10 0,892 X24 0,834
X11 0,875 X25 0,834
X12 0,859 X26 0,864
X13 0,861 X27 0,887
X14 0,612 X28 0,915
Angka MSA (Measure of Sampling Adequacy) berkisar antara 0 dan 1, jika
MSA = 1, berarti variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel yang lain
MSA > 0,5, berarti variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut
MSA < 0,5, berarti variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih lanjut, atau
dikeluarkan dari variabel lainnya.
Pada analisis faktor tahap 1 yang melibatkan 28 variabel yang diuji, terdapat tiga variabel (tanda *)
yang tidak memenuhi persyaratan MSA (nilai MSA di bawah 0,5). Dengan demikian ketiga variabel
tersebut dikeluarkan dari model sehingga tersisa 25 variabel yang diuji kembali pada tahap II.
-aNNa- Pelatihan SPPS by MIIS, Melb 2008
P a g e | 26
Tahap II
Masuk ke menu Analyze > Data Reduction > Factor. Masukkan semua variabel kecuali ketiga
variabel yang tidak diikutkan, ke dalam variables. Pada bagian Descriptives hidupkan KMO and
Bartlett`s test of sphericity and Anti Image.
Nilai MSA
X1 0,916 X14 0,649
X2 0,917 X16 0,909
X3 0,866 X17 0,929
X5 0,866 X18 0,914
X6 0,890 X19 0,899
X7 0,891 X20 0,923
X8 0,638 X21 0,788
X9 0,867 X23 0,873
X10 0,891 X24 0,836
X11 0,890 X25 0,831
X12 0,863 X26 0,889
X13 0,862 X27 0,886
X28 0,919
Pada analisis faktor tahap II yang melibatkan 25 variabel, terdapat 2 variabel yang tidak memenuhi
persyaratan komunalitas (komunalitas di bawah 0,5) yaitu;
a. Pakar/ahli (X
14
) dengan komunalitas sebesar 0,464
b. Tokoh pendukung (X
28
) dengan komunalitas sebesar 0,456
Dengan demikian kedua variabel tersebut dikeluarkan dari model sehingga tersisa 23 variabel untuk
diuji kembali pada tahap III.
Komunalitas menunjukkan proporsi ragam yang dapat dijelaskan oleh p faktor bersama.
Tahap III
Masuk ke menu Analyze > Data Reduction > Factor. Masukkan semua variabel kecuali kelima
variabel yang tidak diikutkan, ke dalam variables.
- Pada bagian Extraction, method pilih Principal Components, hidupkan unrotated factor solution
dan scree plot, hidupkan eigenvalue over 1 (dengan mengacu angka eigen value, bila nilai < 1,
maka akan dikeluarkan).
- Pada bagian Rotation, hidupkan varimax, rotated solution, dan loading plot. Loading plot
menyajikan korelasi antara variabel tertentu dengan faktor yang terbentuk.
- Pada bagian Scores, hidupkan save as variables.
Uji Determinant of Correlation Matrix
Matrik korelasi dikatakan antar variabel saling terkait apabila determinan bernilai mendekati
nilai 0. Hasil perhitungan menunjukkan nilai Determinant of Correlation Matrix sebesar 0,0000000.
Nilai ini mendekatai 0, dengan demikian matrik korelasi antara variabel saling terkait.
-aNNa- Pelatihan SPPS by MIIS, Melb 2008
P a g e | 27
Uji Kaiser Meyer Olkin Measure of Sampling (KMO)
Kaiser Meyer Olkin Measure of Sampling (KMO) adalah indek perbandingan jarak antara
koefisien korelasi dengan koefisien korelasi parsialnya. Jika jumlah kuadrat koefisen korelasi parsial di
antara seluruh pasangan variabel bernilai kecil jika dibandingkan dengan jumlah kuadrat koefisien
korelasi, maka akan menghasilkan nilai KMO mendekati 1. Nilai KMO dianggap mencukupi jika lebih
dari 0,5. Hasil penelitian menunjukkan bahwa nilai Kaiser Meyer Olkin Measure of Sampling sebesar
0,88267. Dengan demikian persyaratan KMO memenuhi persyaratan karena memiliki nilai di atas 0,5.
Barlett Test of Sphericity
Rumus yang digunakan untuk Barlett Test of Sphericity adalah sebagai berikut:
Barlett Test = - ln
+
6
5 p 2
1 n R
Dimana
R = Nilai determinan n = Jumlah data p = jumlah variabel
Hasil perhitungan dengan SPSS dihasilkan nilai Barlett Test of Spehricity sebesar 1971,8988
dengan signifikansi sebesar 0,0000. Dengan demikian Barlett Test of Spehricity memenuhi
persyaratan karena signifikansi di bawah 0,05 (5%)
Measures of Sampling Adequacy (MSA)
Pengujian persyaratan MSA terhadap 23 variabel yang tersisa dijelaskan tabel
berikut:
Hasil Uji Persyaratan MSA
Variabel MSA
Kebutuhan (X
1
) 0,91403
Pengalaman (X
2
) 0,91703
Persepsi (X
3
) 0,86474
Gaya hidup (X
5
) 0,87181
Kepribadian (X
6
) 0,89890
Sikap (X
7
) 0,89083
Kebiasaan (X
8
) 0,65265
Pendapatan (X
9
) 0,87487
Tingkat pendidikan (X
10
) 0,88776
Pekerjaan (X
11
) 0,89010
Keluarga (X
12
) 0,86005
Teman (X
13
) 0,85838
Kualitas (X
16
) 0,91421
Keistemawaan (X
17
) 0,92747
Merek (X
18
) 0,90996
Ukuran (X
19
) 0,89275
Manfaat (X
20
) 0,91718
Harga produk (X
21
)
0,78607
Pemberian hadiah (X
23
) 0,87853
Ketersediaan produk (X
24
) 0,82935
Lokasi (X
25
) 0,82640
Frekuensi penayangan (X
26
) 0,88432
Isi peran iklan (X
27
) 0,88008
-aNNa- Pelatihan SPPS by MIIS, Melb 2008
P a g e | 28
Dari tabel di atas menunjukkan bahwa 23 variabel diuji memenuhi persyaratan MSA yaitu di
atas 0,5 sehingga dapat digunakan untuk pengujian selanjutnya
Komunalitas
Hasil pengujian persyaratan komunalitas dijelaskan tabel berikut ini:
Variabel Komunalitas
Kebutuhan (X
1
) 0,80487
Pengalaman (X
2
) 0,70451
Persepsi (X
3
) 0,82335
Gaya hidup (X
5
) 0,84493
Kepribadian (X
6
) 0,64873
Sikap (X
7
) 0,80047
Kebiasaan (X
8
) 0,97894
Pendapatan (X
9
) 0,7035
Tingkat pendidikan (X
10
) 0,75516
Pekerjaan (X
11
) 0,69591
Keluarga (X
12
) 0,70538
Teman (X
13
) 0,79594
Kualitas (X
16
) 0,65984
Keistemawaan (X
17
) 0,67212
Merek (X
18
) 0,62720
Ukuran (X
19
) 0,62089
Manfaat (X
20
) 0,68048
Harga produk (X
21
)
0,78399
Pemberian hadiah (X
23
) 0,70879
Ketersediaan produk (X
24
) 0,74090
Lokasi (X
25
) 0,73866
Frekuensi penayangan (X
26
) 0,77228
Isi peran iklan (X
27
) 0,85696
Dari tabel di atas menujukkan 23 variabel diuji memenuhi persyaratan komunalitas yaitu lebih
besar dari 0,5.
Rotasi Faktor
Hasil rotasi faktor dengan metode varimax dijelaskan tabel berikut ini:
Tabel 11. Hasil Rotasi Faktor dengan Varimax
No Variabel Faktor Eigen Value % variance
1 Isi peran iklan (X
27
)
Faktor 1
(Promosi)
7,68744 33,4
2 Frekuensi penayangan (X
26
)
3 Manfaat (X
20
)
4 Keistemawaan (X
17
)
5 Kualitas (X
16
)
6 Merek (X
18
)
7 Ukuran (X
19
)
8 Gaya hidup (X
5
)
Faktor 2
(Individual
Konsumen )
3,21645 14,0
9 Persepsi (X
3
)
10 Sikap (X
7
)
11 Kebutuhan (X
1
)
12 Pengalaman (X
2
)
13 Kepribadian (X
6
)
-aNNa- Pelatihan SPPS by MIIS, Melb 2008
P a g e | 29
14 Teman (X
13
)
Faktor 3
(Lingkungan)
2,94558 12,8
15 Tingkat pendidikan (X
10
)
16 Pekerjaan (X
11
)
17 Keluarga (X
12
)
18 Pendapatan (X
9
)
19 Harga produk (X
21
)
Faktor 4
(Harga)
2,27223 9,9
20 Lokasi (X
25
)
21 Ketersediaan produk (X
24
)
22 Pemberian hadiah (X
23
)
23 Kebiasaan (X
8
) Faktor 5 (Budaya) 1,00212 4,4
Total varians dari 5 faktor adalah 74,5% sehingga memenuhi persyaratan varian yaitu sebesar 0,6.
Pengertian total varian 74,5% adalah kelima faktor tersebut menjadi bahan pertimbangan konsumen
sebesar 74,5% sedangkan sisanya (25,5%) faktor-faktor lain di luar 5 faktor tersebut.
5. DESAIN EKSPERIMEN
A. Pengantar Desain Eksperimen
Desain Eksperimen merupakan salah satu metode statistik yang digunakan sebagai salah satu
alat untuk meningkatkan dan melakukan perbaikan kualitas. Perubahan-perubahan terhadap
variabel suatu proses atau sistem diharapkan akan memberi hasil (respon) yang optimal dan
cukup memuaskan.
Definisi Desain Eksperimen:
suatu uji atau rentetan uji dengan mengubah-ubah variabel input (faktor) suatu proses
sehingga bisa diketahui penyebab perubahan output (respons)
Istilah-Istilah Dalam Desain Eksperimen
Unit Eksperimen
unit dasar di mana ukuran respons dikumpulkan
Faktor
tipe kondisi berbeda dalam Eksperimen yang bisa diubah-ubah.
Level
cara / mode berbeda suatu faktor.
Perlakuan (treatment)
kombinasi level pada faktor yang berbeda
Replikasi / ulangan
banyaknya perulangan unit Eksperimen pada perlakuan tertentu
Tujuan Desain Eksperimen
Menentukan variabel input (faktor) yang berpengaruh terhadap respons
Menentukan variabel input yang membuat respons mendekati nilai yang diinginkan
Menentukan variabel input yang menyebabkan variasi respons kecil
-aNNa- Pelatihan SPPS by MIIS, Melb 2008
P a g e | 30
Prinsip Dasar Desain Eksperimen
1. Replikasi / Ulangan
terdapat pengulangan yang sama pada unit Eksperimen yang berbeda
melalui ulangan dapat diketahui variabilitas alami dan kesalahan pengukuran
sifat 1 penyimpangan taksiran / dugaan dalam Eksperimen
sifat 2 rata-rata sampel yang digunakan untuk menaksir pengaruh suatu faktor dalam
Eksperimen
2. Randomisasi / Pengacakan
Perlakuan harus diberikan secara acak pada unit-unit Eksperimen. Secara umum, metode
statistik mengharapkan bahwa pengamatan atau error adalah variabel independen,
random, dan berdistribusi tertentu
3. Kontrol Lokal
Artinya sebarang metode yang dapat menjelaskan dan mengurangi variabilitas alami.
Prinsip dilakukan dengan mengelompokkan satuan unit eksperimen yang mirip ke dalam
blok (kelompok) tertentu. Pengelompokan (blocking) bertujuan meningkatkan ketepatan
eksperimen.
Langkah - Langkah Desain Eksperimen
Mengenali permasalahan
Memilih Variabel Respons
Menentukan Faktor dan Level
Memilih metode Desain Eksperimen
Melaksanakan Eksperimen
Analisis data
Membuat suatu keputusan
ANALISIS RAGAM (Analysis of Variance)
ANOVA digunakan untuk menyelidiki hubungan antara variabel respons (dependen)
dengan 1 atau beberapa variabel prediktor (independen).
ANOVA pada prinsipnya sama dengan regresi, tetapi skala data variabel independen
adalah kategorik, yaitu skala ordinal atau nominal
B. Desain Eksperimen Satu Faktor
One-way ANOVA:
MODEL : yij = + i + ij
dengan :
menyatakan rataan keseluruhan (grand mean) dan i disebut sebagai efek atau pengaruh
perlakuan ke-i
1
1
dan 0
k
i k
i
i
i
k
=
=
= =