Type Data :
1. Data Nominal 1. Data Kategorikal
2. Data Ordinal 2. Data Numerikal (Diskrit – Kontinue)
3. Data Interval
4. Data Ratio
Analisis Data :
1. Analisis Deskriptif (Tabulasi, Grafik)
Data Kategorial : Bar chart, Pie Chart, Pareto.
Data Numerik : Grafik line, Scater diagram, order ray, Steam and Leaf,
tabel kontingensi
2. Analisis Inferen (Uji normalitas dan linieritas, Uji validitas dan reliabilitas,
Uji perbedaan, Uji hubungan, lainnya)
3. Kombinasi Dari Keduanya
DATA
1
Materi 1 : Uji Perbedaan
Tujuan : Membandingkan rata-rata dari 2 group yang tidak berhubungan
satu sama lain
Alat analisis : Independent Sample T test
1 250 302
2 255 312
3 254 295
4 215 248
5 265 267
6 211 222
7 242 308
8 215 350
9 255 331
Hipotesa :
Ho : Kedua Popolasi memiliki rata-rata yang identik/sama, atau
Tidak ada perbedaan rata-rata dari kedua populasi, atau
Rata-rata omset mesin tipe A dan mesin tipe B adalah sama
2
Hasil :
Kesimpulan :
1. Kedua sampel, baik diasumsikan / memiliki variance yang sama atau tidak,
memberikan hasil Ho ditolak (lihat kolom Sig. (2-tailed)). Dengan kata lain,
perbedaan kinerja yang terjadi memang nyata dan dana sebaiknya dialokasikan
pada meisn tipe B.
3
Materi 2 : Uji Perbedaan
Tujuan : Membandingkan rata-rata dari 2 group yang berpasangan
Alat analisis : Paired Sample T test
Sebelum Sesudah
Sample
merger merger
1 224 255
2 231 251
3 223 254
4 251 225
5 264 245
6 222 268
7 235 215
Hipotesa :
Ho : Kedua Popolasi memiliki rata-rata yang identik/sama, atau
Tidak ada perbedaan rata-rata dari kedua populasi, antara sebelum dan setelah
dilakukannya promosi, atau
Merger tidak efektif dalam meningkatkan kinerja perusahaan
4
Hasil :
Std. Error
Mean N Std. Deviation Mean
Pair SEBELUM 235.71 7 16.04 6.06
1 SESUDAH 244.71 7 18.46 6.98
Paired Differences
95% Confidence
Interval of the
Std. Std. Error Difference Sig.
Mean Deviation Mean Lower Upper t df (2-tailed)
Pair SEBELUM -
-9.00 29.74 11.24 -36.51 18.51 -.801 6 .454
1 SESUDAH
Kesimpulan :
1. Karena nilai Sig. (2-tailed) > dari 0,05, maka Ho diterima
2. Artinya, tidak ada perbedaan kinerja dari sebelum dan setelah adanya merger,
atau dengan kata lain meskipun terlihat bahwa rata-rata kinerja setelah merger
lebih baik, namun hal tersebut tidaklah signifikan.
5
Materi 3 : Uji Perbedaan > 2 sample ( tipe 1)
Tujuan : Membandingkan rata-rata dari lebih 2 sample
Alat analisis : Anova
Hipotesa :
Ho : Ketiga Popolasi memiliki rata-rata yang identik/sama, atau
Tidak ada perbedaan rata-rata dari ketiga populasi, atau
Dampak yang ditimbulkan oleh aktivitas promosi terhadap omset di ketiga pasar
adalah sama
Hasil :
6
Oneway
Descriptives
SALES
95% Confidence
Interval for Mean
Std. Std. Lower Upper
N Mean Deviation Error Bound Bound Minimum Maximum
bandung 15 25.547 2.608 .673 24.102 26.991 22.0 31.0
surabaya 13 31.177 4.856 1.347 28.242 34.112 22.0 37.0
semarang 10 41.490 4.051 1.281 38.592 44.388 33.7 45.7
Total 38 31.668 7.454 1.209 29.218 34.119 22.0 45.7
ANOVA
SALES
Sum of
Squares df Mean Square F Sig.
Between Groups 1529.913 2 764.956 50.903 .000
Within Groups 525.969 35 15.028
Total 2055.882 37
Homogeneous Subsets
SALES
Kesimpulan :
1. Dari tabel Anova, Karena nilai Sig. (2-tailed) < dari 0,05, maka Ho ditolak,
artinya ada perbedaan kinerja dari ketiga sampel yang diamati (tapi yang mana ?)
Dengan kata lain, memang benar bahwa promosi yang dilakukan memang telah
memberi dampak yang berlainan untuk masing-masing pasar.
2. Dari tabel Homogeneous Subsets, semuanya merata berbeda secara nyata
7
Materi 4 : Uji Perbedaan > 2 sample ( tipe 2)
Tujuan : Membandingkan rata-rata dari lebih 2 sample
Alat analisis : General Linier Model - Univariate
Contoh kasus :
Hipotesa :
Ho : Tidak ada perbedaan omset antar kaos polos dan motif di ketiga pasar tersebut
(satu faktor), dan
Tidak ada interaksi antara daerah penjualan dan jenis kaos (dua faktor)
Hasil :
8
Tests of Between-Subjects Effects
Kesimpulan :
1. Ternyata jenis kaos (polos dan motif), tidak menjadikan omset di ketiga kota
menjadi berbeda (nilai sig.nya 0,443 > 0,0 (nilai sig.nya 0,443 > 0,05)
2. Karena nilai sig. Untuk daerah*kaos adalah 0,005 < 0,05, berarti ada interaksi
antara daerah pasar dan jenis kaos, artinya jenis kaos memang mempengarui
omset di daerah pasar tertentu.
9
Hipotesa :
Ho : Tidak ada hubungan antara vaiael baris dan variabel kolom, atau
Tidak ada pengaruh bidang/jenis kerja terhadap perilaku membeli kaos
Hasil :
Crosstabs
Chi-Square Tests
Asymp. Sig.
Value df (2-sided)
Pearson Chi-Square 7.213a 2 .027
Likelihood Ratio 8.097 2 .017
Linear-by-Linear
4.265 1 .039
Association
N of Valid Cases 30
a. 3 cells (50.0%) have expected count less than 5. The
minimum expected count is 2.93.
10
Symmetric Measures
Kesimpulan :
1. Dari nilai Asymp. Sig Pearson Chi-square yang sebesar 0,027 < 0,05, maka dapat
disimpulkan memang ada hubungan yang nyata antara bidang kerja dengan
perilaku memilih motif kaos
2. Nilai contingency coefficien yang sebesar 0,440 dan signifikan, menunjukkan
bahwa ada pengaruh yang cukup kuat dari bidang kerja terhadap perilaku
konsumen dalam membeli kaos.
Hipotesa :
Ho : Tidak ada hubungan antara sikap, persepsi dan loyalitas dengan frekuensi
pembelian konsumen, atau
Tidak ada pengaruh yang nyata dari sikap, persepsi, dan loyalitas terhadap
frekuensi pembelian konsumen
Hasil :
Nonparametric Correlations
11
Correlations
frekuensi
sikap Loyalitas pembelian
konsumen Konsumen kaos
Kendall's tau_b sikap konsumen Correlation Coefficient 1.000 .536** -.227
Sig. (2-tailed) . .002 .188
N 30 30 30
Loyalitas Konsumen Correlation Coefficient .536** 1.000 -.285
Sig. (2-tailed) .002 . .116
N 30 30 30
frekuensi pembelian Correlation Coefficient -.227 -.285 1.000
kaos Sig. (2-tailed) .188 .116 .
N
30 30 30
Hipotesa :
Ho : Tidak ada hubungan antara promosi terhadap jumlah penjualan
Tidak ada pengaruh yang nyata dari promosi terhadap Jumlah penjualan
12
Hasil :
Regression
Descriptive Statistics
Correlations
SALES PROMOSI
Pearson Correlation SALES 1.000 .916
PROMOSI .916 1.000
Sig. (1-tailed) SALES . .000
PROMOSI .000 .
N SALES 15 15
PROMOSI 15 15
Variables Entered/Removedb
Variables Variables
Model Entered Removed Method
1 PROMOSIa . Enter
a. All requested variables entered.
b. Dependent Variable: SALES
Model Summaryb
13
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 19850.334 1 19850.334 67.673 .000a
Residual 3813.266 13 293.328
Total 23663.600 14
a. Predictors: (Constant), PROMOSI
b. Dependent Variable: SALES
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 111.523 16.982 6.567 .000
PROMOSI 3.891 .473 .916 8.226 .000
a. Dependent Variable: SALES
Dari table ini dihasilkan persamaan regresi dan uji t untuk signifikansi tiap
variable regresi.
Casewise Diagnosticsa
Predicted
Case Number DAERAH Std. Residual SALES Value Residual
8 YOGYA -1.124 209 228.24 -19.24
15 PEKALO
2.748 322 274.93 47.07
NG
a. Dependent Variable: SALES
Charts
14
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: SALES
1.00
BOGOR
.75 MADIUN
BANDUNG
BEKASI
SOLO
SURABAYA
Expected Cum Prob
.50 KUDUS
JAKARTA
TUBAN
MALANG
SEMARANG
.25 TANGERAN
PURWOKER
YOGYA
0.00
0.00 .25 .50 .75 1.00
Scatterplot
Dependent Variable: SALES
5 PEKALONG
1 BOGOR
BANDUNG MADIUN
BEKASI
SOLO
SURABAYA KUDUS
0 JAKARTA TUBAN
TANGERAN SEMARANGMALANG
PURWOKER
-1 YOGYA
-2
-1.5 -1.0 -.5 0.0 .5 1.0 1.5 2.0 2.5
15
Scatterplot
Regression Standardized Predicted Value Dependent Variable: SALES
2.5
MALANG
2.0
SEMARANG
1.5 TUBAN
1.0 PEKALONG
KUDUS
.5
BEKASI
0.0
MADIUN
PURWOKER BOGOR
YOGYA SOLO
-.5
TANGERAN
JAKARTA
SURABAYA
-1.0
BANDUNG
-1.5
200 220 240 260 280 300 320 340
SALES
Hipotesa :
Ho: Tidak ada hubungan antara promosi, jumlah outletterhadap jumlah penjualan
Tidak ada pengaruh yang nyata dari promosi dan jumlah outlet terhadap Jumlah
penjualan
Hasil :
Regression
16
Descriptive Statistics
Correlations
b
Variables Entered/Removed
Variables Variables
Model Entered Removed Method
1 OUTLET, a
. Enter
PROMOSI
a. All requested variables entered.
b. Dependent Variable: SALES
Model Summaryb
17
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 22521.299 2 11260.649 118.294 .000a
Residual 1142.301 12 95.192
Total 23663.600 14
a. Predictors: (Constant), OUTLET, PROMOSI
b. Dependent Variable: SALES
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 64.639 13.112 4.930 .000
PROMOSI 2.342 .398 .551 5.892 .000
OUTLET .535 .101 .496 5.297 .000
a. Dependent Variable: SALES
Analisis :
- Uji F , untuk signifikansi model regresi.
- Menentukan persamaan regresi
Charts
Hubungan sales dengan promosi
Partial Regression Plot
Dependent Variable: SALES
50
KUDUS
40
30 TUBAN
SEMARANG
20
10 MALANG
BOGOR
0 BEKASI
SURABAYA
MADIUN YOGYA
BANDUNG
SOLO
-10 JAKARTA
TANGERAN
PURWOKER
PEKALONG
SALES
-20
-30
-20 -10 0 10 20
PROMOSI
18
Hubungan Sales dengan Outlet
Partial Regression Plot
Dependent Variable: SALES
50 PEKALONG
40
30
20
BOGOR
MADIUN
BANDUNG
10 BEKASI
SOLO
SURABAYA
0KUDUS
TUBAN JAKARTA
SEMARANG MALANG
SALES
-10 TANGERAN
PURWOKER
YOGYA
-20
-40 -20 0 20 40 60 80
OUTLET
Hipotesa :
Ho: Tidak ada hubungan antara promosi, jumlah outletterhadap jumlah penjualan
Tidak ada pengaruh yang nyata dari promosi dan jumlah outlet terhadap Jumlah
penjualan
Hasil :
Regression
19
Descriptive Statistics
Correlations
20
Variables Entered/Removedb
Variables Variables
Model Entered Removed Method
1 INCOME,
PESAING,
LAJU_PE
. Enter
N,
OUTLET, a
PROMOSI
2 Backward
(criterion:
Probabilit
. INCOME y of
F-to-remo
ve >=
.100).
3 Backward
(criterion:
Probabilit
. LAJU_PEN y of
F-to-remo
ve >=
.100).
4 Backward
(criterion:
Probabilit
. PESAING y of
F-to-remo
ve >=
.100).
a. All requested variables entered.
b. Dependent Variable: SALES
Model Summarye
21
ANOVAe
Sum of
Model Squares df Mean Square F Sig.
1 Regression 22564.432 5 4512.886 36.952 .000a
Residual 1099.168 9 122.130
Total 23663.600 14
2 Regression 22561.748 4 5640.437 51.191 .000b
Residual 1101.852 10 110.185
Total 23663.600 14
3 Regression 22548.747 3 7516.249 74.161 .000c
Residual 1114.853 11 101.350
Total 23663.600 14
4 Regression 22521.299 2 11260.649 118.294 .000d
Residual 1142.301 12 95.192
Total 23663.600 14
a. Predictors: (Constant), INCOME, PESAING, LAJU_PEN, OUTLET, PROMOSI
b. Predictors: (Constant), PESAING, LAJU_PEN, OUTLET, PROMOSI
c. Predictors: (Constant), PESAING, OUTLET, PROMOSI
d. Predictors: (Constant), OUTLET, PROMOSI
e. Dependent Variable: SALES
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 50.126 36.000 1.392 .197
PROMOSI 2.017 .924 .475 2.183 .057 .109 9.162
OUTLET .550 .123 .509 4.455 .002 .395 2.534
LAJU_PEN 2.760 9.485 .034 .291 .778 .377 2.651
PESAING .970 2.099 .091 .462 .655 .132 7.592
INCOME .548 3.698 .012 .148 .885 .750 1.333
2 (Constant) 51.275 33.393 1.536 .156
PROMOSI 1.960 .797 .461 2.459 .034 .132 7.556
OUTLET .551 .117 .511 4.717 .001 .397 2.518
LAJU_PEN 3.035 8.835 .037 .343 .738 .392 2.549
PESAING 1.084 1.855 .102 .584 .572 .152 6.573
3 (Constant) 61.435 14.864 4.133 .002
PROMOSI 2.148 .555 .506 3.870 .003 .251 3.985
OUTLET .537 .104 .497 5.146 .000 .459 2.179
PESAING .597 1.147 .056 .520 .613 .366 2.729
4 (Constant) 64.639 13.112 4.930 .000
PROMOSI 2.342 .398 .551 5.892 .000 .459 2.177
OUTLET .535 .101 .496 5.297 .000 .459 2.177
a. Dependent Variable: SALES
22
Analisis :
- R2 = 1 – Tolerance, variabilitas variable 1 dipengaruhi / dapat
dijelaskan oleh predictor (variable bebas) yang lain.
- VIF = 1/tolerance.
Jika VIF > 5, terdapat multikolinearitas
-
Collinearity Diagnosticsa
Analisis :
- Eigenvalue mendekati 0, terjadi multikolinearitas.
- Condition Index melebihi 15, terjadi multikolinearitas,
Jika melebihi 30, sangat serius problem multikolinearitas.
-
Excluded Variablesd
Collinearity Statistics
Partial Minimum
Model Beta In t Sig. Correlation Tolerance VIF Tolerance
2 INCOME .012a .148 .885 .049 .750 1.333 .109
3 INCOME .017b .219 .831 .069 .780 1.282 .211
LAJU_PEN .037b .343 .738 .108 .392 2.549 .132
4 INCOME .027c .393 .702 .118 .885 1.130 .434
LAJU_PEN -.011c -.165 .872 -.050 .945 1.058 .436
PESAING .056c .520 .613 .155 .366 2.729 .251
a. Predictors in the Model: (Constant), PESAING, LAJU_PEN, OUTLET, PROMOSI
b. Predictors in the Model: (Constant), PESAING, OUTLET, PROMOSI
c. Predictors in the Model: (Constant), OUTLET, PROMOSI
d. Dependent Variable: SALES
23
Materi 7 : Analisis Diskriminan
Tujuan : Mengelompokkan objek kedalam 2 atau lebih kelompok berdasar kriteria
Sejumlah variabel bebas.
Alat analisis : Discriminant Analysis
Rumusan masalah :
Sebuah Supermarket mendapai bahwa sepertinya konsumen yang datang dapat
dikelompokkan dalam 2 kelompok, yakni pengunjung yang jering membeli dan yang
jarang membeli. Dengan kenyataan tersebut, pihak manajemen ingin mengetahui
berbagai variabel yang diduga turut memberi kontribusi pada perbedaan perilaku
pengunjung dalam membeli tersebut.
Pertanyaan penelitian :
1. Apakah perilaku pembeli (yang sering dan jarang beli) benar-benar berbeda ?
2. Jika ada, variabel bebas manakah yang membedakan perilaku beli konsumen
tersebut ?
3. Manakah vaiabel bebas penentu perilaku yang paling penting ?
Hasilnya :
Discriminant
24
Tests of Equality of Group Means
Wilks'
Lambda F df1 df2 Sig.
LAYOUT .996 .386 1 103 .536
LENGKAP .989 1.165 1 103 .283
HARGA .922 8.693 1 103 .004
MUSIK .860 16.828 1 103 .000
AC .989 1.094 1 103 .298
LAMPU .991 .957 1 103 .330
PELKAR .997 .315 1 103 .576
PELKASIR .982 1.937 1 103 .167
PROMOSI .860 16.752 1 103 .000
IMAGE .998 .204 1 103 .652
Stepwise Statistics
Variables Entered/Removeda,b,c,d
Min. D Squared
Between Exact F
Step Entered Statistic Groups Statistic df1 df2 Sig.
1
sering and
MUSIK .643 16.828 1 103.000 8.198E-05
jarang
2
sering and
PROMOSI 1.002 12.988 2 102.000 9.443E-06
jarang
3
sering and
IMAGE 1.257 10.758 3 101.000 3.393E-06
jarang
4
sering and
HARGA 1.591 10.117 4 100.000 6.439E-07
jarang
At each step, the variable that maximizes the Mahalanobis distance between the two closest
groups is entered.
a. Maximum number of steps is 20.
b. Maximum significance of F to enter is .05.
c. Minimum significance of F to remove is .10.
d. F level, tolerance, or VIN insufficient for further computation.
25
Wilks' Lambda
Number of Exact F
Step Variables Lambda df1 df2 df3 Statistic df1 df2 Sig.
1 1 .860 1 1 103 16.828 1 103.000 8.198E-05
2 2 .797 2 1 103 12.988 2 102.000 9.443E-06
3 3 .758 3 1 103 10.758 3 101.000 3.393E-06
4 4 .712 4 1 103 10.117 4 100.000 6.439E-07
Eigenvalues
Canonical
Function Eigenvalue % of Variance Cumulative % Correlation
1 .405a 100.0 100.0 .537
a. First 1 canonical discriminant functions were used in the
analysis.
Wilks' Lambda
Wilks'
Test of Function(s) Lambda Chi-square df Sig.
1 .712 34.321 4 .000
Structure Matrix
Function
1
MUSIK -.635
PROMOSI .634
HARGA .457
LAMPUa -.298
LENGKAPa -.202
ACa -.179
PELKASIRa .123
LAYOUTa -.117
PELKARa .083
IMAGE -.070
Pooled within-groups correlations between discriminating
variables and standardized canonical discriminant functions
Variables ordered by absolute size of correlation within function.
a. This variable not used in the analysis.
Kesimpulan :
1. Dari tabel Wilk’s lambda mengindikasikan perbedaan yang nyata dari kedua
kelompok pengunjung Supermarket pada model diskriminan yang terbentuk
26
2. Dari tabel variable Entered/Removed dapat dijelaskan bahwa ternyata perilaku
sering atau jarang membeli konsumen di Supermarket tersebut, dipengaruhi
oleh sikap konsumen pada faktor musik, promosi, image, dan harga.
3. Tabel Structure Matrix, menunjukkan kepada manajemen bahwa tanpa
memperhatikan tanda di depannya dan yang tidak bertanda a, maka
tampaknya music menjadi variabel yang paling membedakan perilaku sering
dan tidaknya pengunjung melakukan pembelian.
27
Materi 8 : Analisis Faktor
Tujuan : Mereduksi berbagai variabel menjadi beberapa kelopok faktor
Alat analisis : Factor Analysis
Contoh kasus :
Hasil :
Factor Analysis
28
Anti-image Matrices
Factor Analysis
Communalities
Initial Extraction
LAYOUT 1.000 .308
LENGKAP 1.000 .577
HARGA 1.000 .549
PROMOSI 1.000 .465
IMAGE 1.000 .599
BERSIH 1.000 .548
Extraction Method: Principal Component Analysis.
29
Scree Plot
2.0
1.8
1.6
1.4
1.2
1.0
.8
Eigenvalue
.6
.4
1 2 3 4 5 6
Component Number
Component Matrixa
Component
1 2
LAYOUT -.301 .466
LENGKAP -.654 .386
HARGA .563 .482
PROMOSI .673 .111
IMAGE .648 .423
BERSIH -.348 .654
Extraction Method: Principal Component Analysis.
a. 2 components extracted.
a
Rotated Component Matrix
Component
1 2
LAYOUT 7.304E-03 .555
LENGKAP -.331 .683
HARGA .735 9.035E-02
PROMOSI .622 -.280
IMAGE .774 -6.16E-03
BERSIH 7.148E-02 .737
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.
30
Component Transformation Matrix
Component 1 2
1 .833 -.553
2 .553 .833
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
bersih
lengkap
layout
.5
harga
image
0.0
promosi
Component 2
-.5
-1.0
-1.0 -.5 0.0 .5 1.0
Component 1
31
Materi 9 : Statistika Non Parametrik
Tujuan : Menganalisis data yang mempunyai jumlah kecil, mempunyai sebaran
yang tidak normal.
Alat analisis : Statistika Non Parametrik
32
Materi 9 : Analisis Cluster
Tujuan : Mereduksi berbagai variabel menjadi beberapa kelopok Cluster
Melakukan Segmentasi Populasi atas dasar atribut-atribut tertentu
Alat analisis : Hierarchical dan K-means Cluster Analysis
Contoh kasus :
K-means Cluster
Quick Cluster
Cluster
1 2 3 4
LAYOUT 4.50 3.20 4.60 3.20
LENGKAP 4.40 3.00 3.10 2.90
HARGA 2.00 1.00 4.90 4.30
MUSIK 4.90 4.30 4.30 2.00
AC 4.10 4.50 3.00 2.00
LAMPU 4.90 2.00 2.10 2.10
PELKAR 4.40 3.00 1.60 4.70
PELKASIR 1.50 4.50 1.40 4.40
PROMOSI 1.00 4.20 3.50 3.30
IMAGE 1.00 2.00 2.70 4.70
33
Iteration Historya
Cluster
1 2 3 4
LAYOUT 3.53 3.22 3.84 3.66
LENGKAP 3.55 3.35 3.68 3.37
HARGA 2.46 2.06 2.51 4.35
MUSIK 4.23 2.67 3.72 2.75
AC 3.83 3.20 2.24 2.85
LAMPU 3.67 1.85 2.19 2.71
PELKAR 3.55 3.29 3.12 4.05
PELKASIR 3.31 3.73 2.53 3.74
PROMOSI 1.94 3.66 2.79 3.43
IMAGE 2.64 3.21 2.47 3.78
34
ANOVA
Cluster Error
Mean Square df Mean Square df F Sig.
LAYOUT 1.696 3 .622 101 2.726 .048
LENGKAP .667 3 .414 101 1.613 .191
HARGA 29.698 3 .466 101 63.677 .000
MUSIK 14.235 3 .584 101 24.381 .000
AC 11.479 3 .778 101 14.760 .000
LAMPU 14.655 3 .574 101 25.552 .000
PELKAR 4.824 3 .602 101 8.011 .000
PELKASIR 9.042 3 .875 101 10.335 .000
PROMOSI 14.080 3 .694 101 20.292 .000
IMAGE 10.281 3 .958 101 10.729 .000
The F tests should be used only for descriptive purposes because the clusters have been
chosen to maximize the differences among cases in different clusters. The observed significance
levels are not corrected for this and thus cannot be interpreted as tests of the hypothesis that the
cluster means are equal.
Cluster 1 23.000
2 22.000
3 29.000
4 31.000
Valid 105.000
Missing .000
Hierarchical Cluster
35
Cluster
Ward Linkage
Agglomeration Schedule
36
Cluster Membership
Dendrogram
* * * * * * H I E R A R C H I C A L C L U S T E R A N A L Y S I S * *
* * * *
C A S E 0 5 10 15 20
25
Label Num +---------+---------+---------+---------
+---------+
grosir 7 7
grosir 12 12
grosir 1 1
grosir 4 4
grosir 2 2
grosir 10 10
grosir 11 11
grosir 3 3
grosir 5 5
grosir 8 8
grosir 9 9
37
grosir 6 6
.5 lestari
0.0
-.5 laris
Dimension 2
-1.0
-1.5 jaya
-2.0
-1.5 -1.0 -.5 0.0 .5 1.0 1.5 2.0
Dimension 1
38
Derived Subject Weights
Individual differences (weighted) Euclidean distance model
.9
8
.8
3
1
.7
.6
2
.5
4
Dimension 2
.4 5
67
.3
.2
-.2 0.0 .2 .4 .6 .8 1.0
Dimension 1
2.5
2.0
1.5
1.0
Distances
.5
0.0
0.0 .5 1.0 1.5 2.0 2.5 3.0
Disparities
39
Flattened Subject Weights
Individual differences (weighted) Euclidean distance model
1.5
7
6
1.0
5
2
.5
1
0.0
4
-.5
-1.0 3
Variable 1
-1.5
8
-2.0
-.6 -.4 -.2 -.0 .2 .4 .6
40