TEKNIK ANALISIS DATA

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

Analisis Sec. Non Statistik Analisis Sec. Statistik

Metode Kuantitatif lainnya

Tidak Normal
Normal
Distribusi

Statistik Parametrik Statistik Non-Parametrik

Manual atau Komputerize

1
Materi 1 : Uji Perbedaan
Tujuan : Membandingkan rata-rata dari 2 group yang tidak berhubungan
satu sama lain
Alat analisis : Independent Sample T test

Contoh kasus untuk PI

 Rumusan masalah :
Dengan dana pengembangan dan pemasaran produk yang terbatas, perusahaan harus
memprioritaskan produk yang secara nyata memang lebih baik dari produk lainnya.
 Pertanyaan penelitian :
1. Mesin tipe manakah yang rata-rata kinerja/omset penjualannya lebih baik ?
2. Benarkah ada perbedaan kinerja/omset yang nyata dari kedua produk yang ada,
sehingga prioritas dana yang terbatas tersebut dapat dialokasikan ?

Sample Mesin Tipe A Mesin Tipe B

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 :

Independent Samples Test

Levene's Test for

Equality of Variances t-test for Equality of Means
95% Confidence
Interval of the
Mean Std. Error Difference
F Sig. t df Sig. (2-tailed) Difference Difference Lower Upper
OMSET Equal variances
2.775 .115 -3.464 16 .003 -52.56 15.17 -84.72 -20.39
assumed
Equal variances
-3.464 11.954 .005 -52.56 15.17 -85.62 -19.49
not assumed

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

Contoh kasus untuk PI

 Rumusan masalah :
Perusahaan melihat bahwa selama ini biaya yang diperlukan untuk keperluan merger
dengan perusahaan lain cukup besar. Oleh karena itu perusahaan perlu mengetahui
dampak merger terhadap kinerja perusahaan.
 Pertanyaan penelitian :
1. Bagaimana kinerja sebelum dan setelah dilakukannya merger ?
2. Benarkah merger yang telah dilakukan telah mampu memperbaiki kinerja
perusahaan ?

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 :

Paired Samples Statistics

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 Samples Test

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

Contoh kasus untuk PI

 Rumusan masalah :
Saat ini perusahaan telah dapat melayani tiga pasar. Perusahaan melihat sepertinya
promosi yang dilakukan telah memberi dampak yang berbeda-beda pada ketiga pasar
tersebut.
 Pertanyaan penelitian :
1. Bagaimana kinerja pemasaran dari ketiga pasar tersebut ?
2. Benarkah kegiatan promosi yang dilakukan telah memberi dampak yang
berlainan untuk masing-masing pasar ?
3. Bagaimana perusahaan menyikapi hal tersebut ?

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

Subset for alpha = .05

daerah penjualan kaos N 1 2 3
Tukey HSDa,b bandung 15 25.547
surabaya 13 31.177
semarang 10 41.490
Sig. 1.000 1.000 1.000
Means for groups in homogeneous subsets are displayed.
a. Uses Harmonic Mean Sample Size = 12.316.
b. The group sizes are unequal. The harmonic mean of the group sizes is used. Type
I error levels are not guaranteed.

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 :

Univariate Analysis of Variance

8
 Tests of Between-Subjects Effects

Dependent Variable: SALES

Type III Sum
Source of Squares df Mean Square F Sig.
Corrected Model 1681.984a 5 336.397 28.790 .000
Intercept 39379.180 1 39379.180 3370.260 .000
DAERAH 1511.569 2 755.784 64.684 .000
KAOS 7.044 1 7.044 .603 .443
DAERAH * KAOS 146.985 2 73.492 6.290 .005
Error 373.898 32 11.684
Total 40165.660 38
Corrected Total 2055.882 37
a. R Squared = .818 (Adjusted R Squared = .790)

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.

Materi 5 : Uji Asosisi (hubungan) 2 variabel Nominal

Tujuan : Menganalisis hubungan, arah, dan intensitasnya dari 2 variabel nominal
Alat analisis : Crosstab

Contoh kasus untuk PI

 Rumusan masalah :
Perusahaan merasa bahwa desain kaos (motif atau polos) sangat berhubungan status
dan pekerjaan konsumen.
 Pertanyaan penelitian :
1. Adakah hubungan antara jenis pekerjaan dan jenis kaos yang dipilih?
2. Adakah pengaruh yang nyata dari faktor bidang pekerjaan konsumen terhadap
jenis kaos yang dipilih ?

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

Value Approx. Sig.

Nominal by Nominal Contingency Coefficient .440 .027
N of Valid Cases 30
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.

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.

Materi 6 : Uji Asosisi 2 variabel Ordinal

Tujuan : Menganalisis hubungan, arah, dan intensitasnya
Alat analisis : Corelate - Bivariate

Contoh kasus untuk PI

 Rumusan masalah :
Keberhasilan suatu produk tidak hanya ditentukan oleh atribut produk ybs., namun
juga dapat dipengaruhi oleh sikap, persepsi hingga loyalitas konsumen. Oleh karena
itu pemahaman terhadap variabel-variabel tersebut menjadi sangat perlu.
 Pertanyaan penelitian :
1. Adakah hubungan antara sikap, persepsi dan loyalitas konsumen dengan
frekuensi pembelian mereka?
2. Adakah pengaruh yang nyata dari sikap, persepsi, dan loyalitas terhadap
frekuensi pembelian konsumen?

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

Spearman's rho sikap konsumen Correlation Coefficient 1.000 .564** -.250

Sig. (2-tailed) . .001 .182
N 30 30 30
Loyalitas Konsumen Correlation Coefficient .564** 1.000 -.292
Sig. (2-tailed) .001 . .117
N 30 30 30
frekuensi pembelian Correlation Coefficient -.250 -.292 1.000
kaos Sig. (2-tailed) .182 .117 .
N
30 30 30

**. Correlation is significant at the .01 level (2-tailed).

Materi 7 : Uji Asosisi 2 variabel Interval dan Rasio, analisis regresi

Tujuan : Menganalisis hubungan, arah, intensitasnya, model regresi
Alat analisis : Corelate – Bivariate, regresi

Contoh kasus untuk PI

 Rumusan masalah :
Keberhasilan penjualan suatu produk ditentukan oleh promosi penjualan yang
dikeluarkan oleh perusahaan tersebut. Oleh karena itu pemahaman terhadap variabel-
tersebut menjadi sangat perlu.
 Pertanyaan penelitian :
1. Adakah hubungan antara promosi dengan jumlah penjualan ?
2. Adakah pengaruh yang nyata promosi terhadap jumlah penjualan?

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

Mean Std. Deviation N

SALES 246.40 41.113 15
PROMOSI 34.67 9.678 15

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

Dapat dianalisis : Mean, St. deviasi , korelasi dan significansinya.

Variables Entered/Removedb

Variables Variables
Model Entered Removed Method
1 PROMOSIa . Enter
a. All requested variables entered.
b. Dependent Variable: SALES

Model Summaryb

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .916a .839 .826 17.127
a. Predictors: (Constant), PROMOSI
b. Dependent Variable: SALES

Dapat dianalisis : R square, st.error estimate dibandingkan dengan st. dev.

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

Uji Anova, untuk memprediksi kevalidan model regresi dalam melakukan

prediksi dari var. Bebas ke var. Terikat.

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

Observed Cum Prob

Untuk analisis NORMALITAS,

- Jk normal, maka sebaran data akan terletak di sekitar garis.
Regression Studentized Deleted (Press) Residual

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

Regression Standardized Predicted Value

Untuk analisis kelayakan Model Regresi (model Fit)

- Jika model layak, maka data akan berada di sekitar angka nol pada
sumbu Y, dan tidak membentuk suatu pola tertentu.

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

Untuk analisis hubungan antara varibel terikat dengan prediksinya.

- Jika model memenuhi syarat, maka terlihat sebaran data menyebar
pada suatu garis lurus.

Materi 8 : Analisis regresi berganda

Tujuan : Menganalisis model regresi
Alat analisis : regresi

Contoh kasus untuk PI

 Rumusan masalah :
Keberhasilan penjualan suatu produk ditentukan oleh promosi penjualan yang
dikeluarkan oleh perusahaan tersebut dan jumlah outlet. Oleh karena itu pemahaman
terhadap variabel-tersebut menjadi sangat perlu.
 Pertanyaan penelitian :
1. Adakah hubungan antara promosi dan jumlah outlet dengan jumlah
penjualan?
2. Adakah pengaruh yang nyata promosi dan jumlah outlet terhadap jumlah
penjualan?

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

Mean Std. Deviation N

SALES 246.40 41.113 15
PROMOSI 34.67 9.678 15
OUTLET 187.93 38.087 15

Correlations

SALES PROMOSI OUTLET

Pearson Correlation SALES 1.000 .916 .901
PROMOSI .916 1.000 .735
OUTLET .901 .735 1.000
Sig. (1-tailed) SALES . .000 .000
PROMOSI .000 . .001
OUTLET .000 .001 .
N SALES 15 15 15
PROMOSI 15 15 15
OUTLET 15 15 15

- Rata-rata, standard deviasi masing-masing variable

- Besar hubungan dari tiap pasang variable
- Nilai signifikasni koefisien korelasi

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

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .976a .952 .944 9.757
a. Predictors: (Constant), OUTLET, PROMOSI
b. Dependent Variable: SALES

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

Sebaran data membentuk arah ke kanan atas, slope positif.

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

Materi 9 : Analisis regresi berganda , multikoleniaritas

Tujuan : Menganalisis model regresi
Alat analisis : regresi

Contoh kasus untuk PI

 Rumusan masalah :
Keberhasilan penjualan suatu produk ditentukan oleh promosi penjualan yang
dikeluarkan oleh perusahaan tersebut dan jumlah outlet. Oleh karena itu pemahaman
terhadap variabel-tersebut menjadi sangat perlu.
 Pertanyaan penelitian :
1. Adakah hubungan antara promosi dan jumlah outlet dengan jumlah
penjualan?
2. Adakah pengaruh yang nyata promosi dan jumlah outlet terhadap jumlah
penjualan?

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

Mean Std. Deviation N

SALES 246.40 41.113 15
PROMOSI 34.67 9.678 15
OUTLET 187.93 38.087 15
LAJU_PEN 1.9833 .50700 15
PESAING 16.20 3.877 15
INCOME 3.3280 .92213 15

Correlations

SALES PROMOSI OUTLET LAJU_PEN PESAING INCOME

Pearson Correlation SALES 1.000 .916 .901 -.143 .744 -.287
PROMOSI .916 1.000 .735 -.062 .796 -.339
OUTLET .901 .735 1.000 -.199 .574 -.252
LAJU_PEN -.143 -.062 -.199 1.000 -.495 -.111
PESAING .744 .796 .574 -.495 1.000 -.073
INCOME -.287 -.339 -.252 -.111 -.073 1.000
Sig. (1-tailed) SALES . .000 .000 .305 .001 .150
PROMOSI .000 . .001 .413 .000 .108
OUTLET .000 .001 . .238 .013 .183
LAJU_PEN .305 .413 .238 . .030 .347
PESAING .001 .000 .013 .030 . .397
INCOME .150 .108 .183 .347 .397 .
N SALES 15 15 15 15 15 15
PROMOSI 15 15 15 15 15 15
OUTLET 15 15 15 15 15 15
LAJU_PEN 15 15 15 15 15 15
PESAING 15 15 15 15 15 15
INCOME 15 15 15 15 15 15

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

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .976a .954 .928 11.051
2 .976b .953 .935 10.497
3 .976c .953 .940 10.067
4 .976d .952 .944 9.757
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

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

Condition Variance Proportions

Model Dimension Eigenvalue Index (Constant) PROMOSI OUTLET LAJU_PEN PESAING INCOME
1 1 5.774 1.000 .00 .00 .00 .00 .00 .00
2 .120 6.944 .00 .01 .01 .04 .01 .13
3 7.567E-02 8.735 .00 .00 .00 .15 .01 .26
4 1.701E-02 18.423 .01 .05 .55 .05 .06 .02
5 1.108E-02 22.827 .28 .13 .07 .01 .08 .54
6 2.452E-03 48.526 .71 .81 .37 .75 .84 .05
2 1 4.857 1.000 .00 .00 .00 .00 .00
2 .101 6.942 .00 .01 .00 .14 .02
3 2.342E-02 14.400 .12 .17 .00 .09 .02
4 1.648E-02 17.169 .00 .01 .62 .02 .13
5 2.552E-03 43.623 .88 .81 .37 .75 .84
3 1 3.937 1.000 .00 .00 .00 .00
2 3.723E-02 10.284 .48 .14 .00 .04
3 1.751E-02 14.994 .08 .03 .46 .47
4 8.330E-03 21.740 .44 .82 .53 .48
4 1 2.954 1.000 .00 .00 .00
2 3.462E-02 9.237 .58 .41 .00
3 1.124E-02 16.210 .42 .59 1.00
a. Dependent Variable: SALES

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

Summary of Canonical Discriminant Functions

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

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling
Adequacy. .552

Bartlett's Test of Approx. Chi-Square 87.437

Sphericity df 28
Sig. .000

28
 Anti-image Matrices

LAYOUT LENGKAP HARGA PELKAR PELKASIR PROMOSI IMAGE BERSIH

Anti-image LAYOUT .929 -8.15E-02 -.105 2.857E-03 .141 3.102E-02 7.404E-02 -9.21E-02
Covariance LENGKAP -8.15E-02 .679 9.569E-02 -.297 9.872E-02 .153 .110 -.203
HARGA -.105 9.569E-02 .809 -.133 -.108 -7.32E-02 -.206 4.172E-02
PELKAR 2.857E-03 -.297 -.133 .757 -.155 -4.68E-02 -.122 2.942E-02
PELKASIR .141 9.872E-02 -.108 -.155 .855 -4.32E-02 4.929E-02 -.214
PROMOSI 3.102E-02 .153 -7.32E-02 -4.68E-02 -4.316E-02 .840 -.169 3.153E-02
IMAGE 7.404E-02 .110 -.206 -.122 4.929E-02 -.169 .792 -7.63E-02
BERSIH -9.21E-02 -.203 4.172E-02 2.942E-02 -.214 3.153E-02 -7.63E-02 .849
Anti-image LAYOUT .528a -.103 -.121 3.409E-03 .158 3.513E-02 8.631E-02 -.104
Correlation LENGKAP -.103 .513a .129 -.415 .130 .203 .150 -.267
HARGA -.121 .129 .624a -.170 -.130 -8.88E-02 -.257 5.034E-02
PELKAR 3.409E-03 -.415 -.170 .474a -.193 -5.87E-02 -.158 3.672E-02
PELKASIR .158 .130 -.130 -.193 .476a -5.09E-02 5.988E-02 -.252
PROMOSI 3.513E-02 .203 -8.88E-02 -5.87E-02 -5.095E-02 .708a -.207 3.735E-02
IMAGE 8.631E-02 .150 -.257 -.158 5.988E-02 -.207 .614a -9.30E-02
BERSIH -.104 -.267 5.034E-02 3.672E-02 -.252 3.735E-02 -9.30E-02 .505a
a. Measures of Sampling Adequacy(MSA)

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.

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings

Component Total % of Variance Cumulative % Total % of Variance Cumulative %
1 1.829 30.488 30.488 1.829 30.488 30.488
2 1.217 20.286 50.774 1.217 20.286 50.774
3 .944 15.732 66.506
4 .758 12.637 79.143
5 .639 10.642 89.785
6 .613 10.215 100.000
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.

Component Plot in Rotated Space

1.0

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

Initial Cluster Centers

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

Change in Cluster Centers

Iteration 1 2 3 4
1 2.729 2.210 2.876 2.074
2 .548 .404 .401 .253
3 .355 .381 .150 .309
4 .137 .235 .149 .212
5 .197 .268 .118 .159
6 .113 .365 .194 .104
7 .102 .102 .122 .000
8 .000 .000 .000 .000
a. Convergence achieved due to no or small distance
change. The maximum distance by which any center
has changed is .000. The current iteration is 8. The
minimum distance between initial centers is 5.595.

Final Cluster Centers

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.

Number of Cases in each Cluster

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

Stage Cluster First

Cluster Combined Appears
Stage Cluster 1 Cluster 2 Coefficients Cluster 1 Cluster 2 Next Stage
1 7 12 .705 0 0 8
2 8 9 1.550 0 0 7
3 10 11 2.495 0 0 10
4 1 4 3.795 0 0 6
5 3 5 5.125 0 0 9
6 1 2 6.732 4 0 8
7 6 8 8.467 0 2 9
8 1 7 11.943 6 1 11
9 3 6 17.445 5 7 10
10 3 10 26.928 9 3 11
11 1 3 41.544 8 10 0

36
 Cluster Membership

Case 4 Clusters 3 Clusters 2 Clusters

1:grosir 1 1 1 1
2:grosir 2 1 1 1
3:grosir 3 2 2 2
4:grosir 4 1 1 1
5:grosir 5 2 2 2
6:grosir 6 3 2 2
7:grosir 7 1 1 1
8:grosir 8 3 2 2
9:grosir 9 3 2 2
10:grosir 10 4 3 2
11:grosir 11 4 3 2
12:grosir 12 1 1 1

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 * *
* * * *

Dendrogram using Ward Method

Rescaled Distance Cluster Combine

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 

Materi 10 : Analisis MDS

Tujuan : Menganalisis Interdependen atau ketergantungan antar variabel
Alat analisis : Multidimensional Scaling
Contoh kasus :

Derived Stimulus Configuration

Individual differences (weighted) Euclidean distance model
1.5
baru
1.0 murah

.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

Scatterplot of Linear Fit

Individual differences (weighted) Euclidean distance model
3.0

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

One Dimensional Plot

40