Anda di halaman 1dari 30

ANALISIS DATA MULTIVARIAT

APAKAH ANALISIS MULTIVARIAT? Bisnis dewasa ini harus lebih menguntungkan, bereaksi lebih cepat, dan menawarkan produk dan jasa yang berkualitas tinggi dan pengerjaannya membutuhkan lebih sedikit orang dan dengan biaya yang lebih rendah. Hal terpenting dalam proses ini adalah mempunyai pengetahuan dan manajemen yang efektif. Tidak kurang informasi, tetapi haus akan pengetahuan. Seperti Tom Peters katakan dalam bukunya Thriving on Chaos, "Kami tenggelam dalam informasi dan haus akan pengetahuan". Informasi mengenai pengambilan keputusan sangat banyak dalam beberapa tahun terakhir, dan akan terus meningkat di masa depan, mungkin lebih cepat. Sampai saat ini, banyak informasi mulai menghilang. Ia tidak dikumpulkan atau dibuang. Saat ini informasi ini sedang dikumpulkan dan disimpan dalam gudang data, dan tersedia untuk "ditambang" untuk pengambilan keputusan yang baik. Beberapa informasi dapat dianalisis dan dipahami dengan menggunakan statistik sederhana. Teknik statistik multivariat dapat mengkonversi data tersebut menjadi pengetahuan. Sejumlah kemajuan teknologi membantu kita untuk menerapkan teknik multivariat. Di antara yang paling penting adalah perkembangan perangkat keras dan perangkat lunak komputer. Kecepatan hitung telah meningkat dua kali lipat setiap 18 bulan, sedangkan harganya menurun. Paket user-friendly software telah menjadikan data masuk dalam area point-and-click sehingga kita dengan cepat dapat menganalisis sejumlah data yang kompleks dengan relatif mudah. Memang, pusat-pusat penelitian tentang industri, pemerintah, dan universitas di seluruh dunia banyak menggunakan teknik-teknik ini. Kita menggunakan istilah umum peneliti (research) untuk mengacu pada seorang analisis data dalam komunitas akademis atau praktisi. Kami merasa tidak pantas untuk memperbedakan kedua area ini karena penelitian keduanya berdasarkan pada basis teoritis dan kuantitatif. Meskipun tujuan dan penekanan dalam interpretasi penelitian mungkin berbeda, namun seorang peneliti dalam suatu wilayah harus mengatasi semua masalah, baik secara konseptual maupun empiris. ANALISIS MULTIVARIAT DALAM ISTILAH STATISTIK Teknik analisis multivariat dikenal luas karena organisasi bisa menciptakan pengetahuan lewat teknik tersebut dan dengan demikian meningkatkan pengambilan keputusan

mereka. Analisis multivariat adalah semua teknik statistik yang secara bersamaan menganalisa pengukuran berganda pada individu atau objek yang diteliti. Dengan demikian, setiap analisis simultan yang terdiri dari dua atau beberapa variabel dapat dianggap sebagai analisis multivariat. Teknik-teknik multivariat merupakan pengembangan dari analisis univariat (analisis distribusi satu variabel) dan analisis bivariat (klasifikasi menyilang, korelasi, analisis varians, dan regresi sederhana yang digunakan untuk menganalisis dua variabel). Misalnya, regresi sederhana (dengan satu variabel prediktor) dikembangkan dalam multivariat menjadi beberapa variabel prediktor. Begitu pula, variabel dependen tunggal dalam analisis varians dikembangkan dalam analisis multivariat varians menjadi beberapa variabel dependen berganda. Beberapa teknik multivariat (misalnya, regresi berganda dan analisis multivariat varians) menjadi cara untuk melakukan analisis tunggal seperti pada analisis univariat berganda. Namun, teknik-teknik multivariat lainnya, secara khusus dirancang untuk menangani masalah-masalah multivariat, seperti analisis faktor, yang mengidentifikasi struktur yang mendasari pengelompokkan variabel, atau analisis diskriminan, yang membedakan antar kelompok berdasarkan satu kelompok variabel. Kebingungan kadang-kadang muncul mengenai apa itu analisis multivariat, karena istilah ini tidak digunakan secara konsisten dalam literatur. Beberapa peneliti menggunakan multivariat hanya untuk memaksudkan hubungan antara diantara lebih dari dua variabel. Peneliti lainnya menggunakan istilah itu hanya untuk masalah variabel berganda yang diasumsikan memiliki distribusi multivariat normal. Namun, Untuk memastikan benar-benar multivariat, semua variabel harus acak dan diperhubungkan dengan sedemikian rupa sehingga perbedaan efeknya tidak bisa dimaknai secara terpisah. Beberapa penulis menyatakan bahwa tujuan dari analisis multivariat adalah untuk mengukur, menjelaskan, dan memprediksi tingkat hubungan antar variatas (bobot kombinasi variabel). Jadi, karakter multivariat terletak pada variatas berganda (bobot kombinasi variabel), dan bukan hanya dalam jumlah variabel atau observasi. Analisis multivariat mencakup teknik yang bisa dimultivariatkan (multivariable technique) dan teknik yang benar-benar multivariat, karena kita percaya bahwa ilmu teknik multivariabel adalah langkah awal yang penting dalam memahami analisis multivariat. BEBERAPA KONSEP DASAR ANALISIS MULTIVARIAT Meskipun akar dari analisis multivariat adalah statistik univariat dan bivariat, namun domain luas dari multivariat memperkenalkan tambahan konsep dan isu-isu yang relevan. Konsep ini mengenai perlunya memahami konsep dasar buiding block dari dari analisis

multivariat variate untuk menjelaskan masalah-masalah yang berkaitan dengan jenis-jenis skala pengukuran yang digunakan dan masalah-masalah statistik pengujian signifikansi dan tingkat kepercayaan. Setiap konsep berperan penting dalam keberhasilan penerapan setiap teknik multivariat. Variate Seperti telah disebutkan sebelumnya, building block dari analisis multivariat adalah variate, suatu kombinasi variabel yang linear dengan bobot empiris yang ditentukan. Variabel ditentukan oleh peneliti, sedangkan bobot ditentukan dengan teknik multivariat untuk memenuhi tujuan tertentu. Sebuah variate dengan variabel bobot n (Xl ke Xn) dapat dinyatakan secara matematis sebagai berikut:

dimana Xn adalah variabel yang diobservasi dan wn adalah bobot yang ditetapkan oleh teknik multivariat. Hasilnya adalah nilai tunggal yang menunjukkan kombinasi dari seluruh kelompok variabel yang mencapai seluruh tujuan khusus dari analisis multivariat. Dalam regresi berganda, variate ditentukan dengan cara memaksimalkan korelasi antara variabel independen berganda dan variabel dependen tunggal. Dalam analisis diskriminan, variate dibentuk untuk mendapatkan nilai setiap observasi yang membedakan antar kelompok-kelompok observasi. Dalam analisis faktor, variate dibentuk untuk menunjukkan struktur atau pola dasar dari variabel yang mewakili korelasinya. Dalam setiap contoh, variate mencakup karakter multivariat analisis. Dengan demikian, dalam pembahasan setiap teknik, variate merupakan titik fokus dari suatu analisis. Kita harus memahami tidak hanya dampak kolektifnya dalam memenuhi tujuan teknik, tetapi juga kontribusi masing-masing variabel atas keseluruhan efek variate. Skala Pengukuran Data analisis melibatkan identifikasi dan pengukuran variasi kelompok variabel, baik diantara mereka sendiri atau antar variabel dependen dan satu atau beberapa variabel independen. Kata kuncinya di sini adalah pengukuran (measurement) karena peneliti tidak dapat menentukan variasi kecuali dengan pengukuran. Pengukuran adalah penting untuk secara akurat menunjukkan konsep yang diinginkan dan menjadi alat dalam memilih metode analisis multivariat yang tepat. Data dapat diklasifikasikan dalam satu dari dua kategori nonmetric (kualitatif) dan metrik (kuantitatif) berdasarkan jenis atribut atau karakteristiknya.

Peneliti harus menentukan jenis pengukuran nonmetric atau metrik untuk setiap variabel. Dalam komputer, nilai tersebut berupa angka-angka. SKALA PENGUKURAN NONMETRIC. Data nonmetric menggambarkan perbedaan tipe atau jenis yang menunjukkan ada atau tidak adanya karakteristik atau properti. Properti ini bersifat diskrit yang memiliki ciri tertentu, misalnya, jika seseorang adalah pria, maka dia tidak bisa menjadi perempuan. Se "jumlah" gender tidak mungkin, hanya dengan menyatakan lelaki atau perempuan. Pengukuran Nonmetric dapat dibuat dengan skala nominal atau skala ordinal. Skala Nominal. Skala nominal memberikan penomoran sebagai cara untuk label atau mengidentifikasi subyek atau obyek. Nomor yang disematkan pada objek tidak memiliki makna kuantitatif selain menunjukkan ada atau tidak adanya atribut atau karakteristik yang diteliti. Oleh karena itu, skala nominal, juga dikenal sebagai skala kategori, hanya bisa memberikan jumlah kejadian dalam setiap kelompok atau kategori variabel yang sedang dikaji. Sebagai contoh, dalam mewakili gender (pria atau wanita) peneliti dapat menggunakan angka-angka pada setiap kategori (misalnya, 2 untuk perempuan dan 1 untuk laki-laki). Namun, dengan nilai-nilai ini, kita hanya bisa mentabulasikan jumlah pria dan wanita; hal ini tidak mungkin untuk menghitung nilai rata-rata gender. Data nominal hanya mewakili kategori atau kelas dan tidak mewakili jumlah atribut atau karakteristik. Contoh umum dari pemakaian data skala nominal adalah berbagai atribut demografis (misalnya, jenis kelamin seseorang, agama, pekerjaan, atau afiliasi partai politik), berbagai bentuk perilaku (misalnya, perilaku memilih atau kegiatan pembelian), atau kegiatan lain yang diskrit (terjadi atau tidak). Skala Ordinal. Skala ordinal selanjutnya merupakan tingkat ketepatan pengukuran yang "lebih tinggi". Dalam hal skala ordinal, variabel dapat diatur atau diurut sesuai dengan jumlah atribut yang dimiliki. Setiap subjek atau objek dapat dibandingkan dengan yang lain dalam hal hubungan yang "lebih besar dari" atau "kurang dari". Namun, Angka-angka digunakan dalam skala ordinal adalah benar-benar nonquantitative karena ia hanya menunjukkan posisi relatif dalam rangkaian urutan. Skala ordinal bukan merupakan ukuran dari jumlah atau besar yang sebenarnya, melainkan hanya urutan nilai. Peneliti tahu urutan, tetapi bukan jumlah perbedaan antara nilai-nilai tersebut. Misalnya, tingkat perbedaan kepuasan masing-masing konsumen pada beberapa produk baru bisa digambarkan, pertama menggunakan skala ordinal. Skala berikut menunjukkan tanggapan responden terhadap ketiga produk tersebut.

Ketika kita mengukur variabel ini dengan skala ordinal, kita membuat "rank order" produk berdasarkan tingkat kepuasan. Kita menginginkan ukuran yang mencerminkan responden merasa lebih puas dengan Produk A daripada produk B dan lebih puas dengan produk B daripada Produk C, hanya berdasarkan posisinya pada skala. Kita bisa menetapkan nilai "rank order" (1 = paling puas, 2 = berikutnya paling puas, dll) 1 untuk produk A (paling puas), 2 untuk produk B, dan 3 untuk produk C. Bila dilihat sebagai data ordinal, kita tahu bahwa produk A mempunyai tingkat paling memuaskan, diikuti oleh produk B dan kemudian produk C. Namun, kita tidak bisa menyatakan tingkat perbedaan antar produk (misalnya, kita tidak bisa menjawab pertanyaan apakah perbedaan antara produk A dan B lebih besar daripada perbedaan antara produk B dan C). Kita harus menggunakan skala interval untuk menilai besaran perbedaan antara produkproduk tersebut. Pada kebanyakan contoh, peneliti mungkin ingin menggunakan ukuran ordinal, tetapi implikasi dari penerapan jenis analisis ini sangat substansial. Seorang analis tidak bisa melakukan hitungan aritmatika (tidak ada penjumlahan, rata-rata, perkalian atau pembagian, dll), sehingga data nonmetric sangat terbatas penggunaannya dalam menghitung koefisien model. Olehnya itu, berbagai teknik multivariat diciptakan untuk menyelesaikan data nonmetric (misalnya, analisis korespondensi) atau menggunakan data nonmetrik sebagai variabel independen (misalnya, analisis diskriminan dengan variabel dependen nonmetric atau analisis multivariat varians dengan variabel independen nonmetrik). Dengan demikian, seorang analis harus mengetahui semua data nonmetric agar pemakaiannya tepat dalam teknik multivariate. SKALA PENGUKURAN METRIC. Berbeda dengan data nonmetric, data metrik digunakan ketika subyek memiliki perbedaan jumlah atau tingkat pada atributnya. Variabel pengukuran metrik menunjukkan kuantitas atau tingkat relatif beberapa atribut yang melibatkan jumlah atau besarnya, seperti tingkat kepuasan atau komitmen terhadap suatu pekerjaan. Kedua skala pengukuran metrik ini adalah skala interval dan skala rasio. Skala Interval. Skala interval dan skala rasio (keduanya metrik) merupakan tingkat ketepatan pengukuran tertinggi, yang memungkinkan penggunaan hitungan matematika. Kedua skala ini memiliki unit pengukuran konstan. Pada contoh sebelumnya dalam mengukur tingkat kepuasan, data metrik dapat diperoleh dengan selisih antara satu ujung skala dengan posisi setiap produk. Asumsikan

bahwa produk A adalah 2,5 unit dari ujung kiri, produk B adalah 6,0 unit, dan produk C adalah 12 unit. Dengan menggunakan nilai-nilai ini sebagai ukuran kepuasan, kita tidak bisa hanya menyatakan hal yang sama dengan pada data ordinal (misalnya, urutan peringkat produk), tetapi kita juga bisa melihat bahwa perbedaan antara produk A dan B jauh lebih kecil (6,0 2,5 = 3,5) daripada perbedaan antara produk B dan C (12,0 6,0 = 6.0). Satu-satunya perbedaan nyata antara skala interval dan rasio adalah skala interval menggunakan arbitrary zero point, sedangkan skala rasio menggunakan absolute zero point. Skala interval yang paling terkenal adalah skala suhu Fahrenheit dan Celcius. Misalnya, 80F tidak bisa dibenarkan mengatakan dua kali lebih panas dari 40F, karena kita tahu bahwa 80F, pada skala yang berbeda, seperti Celcius, adalah 26,7C. Demikian pula, 40F pada skala Celsius adalah 4,4C. Meskipun 80F dua kali panasnya dari 40F, namun seseorang tidak bisa mengatakan bahwa panas 80F adalah dua kali panasnya dari 40F karena, menggunakan skala yang berbeda, panasnya tidak dua kali lebih besar, yaitu 4,4C X 2 26,7C. Skala Rasio. Skala rasio menunjukkan bentuk tertinggi dari ketepatan pengukuran karena ia memiliki kelebihan dari semua skala yang lebih rendah ditambah dengan absolute zero point. Semua hitungan matematika bisa menggunakan pengukuran skala rasio. Skala kamar mandi atau mesing timbangan laing merupakan contoh dari skala ini, karena mereka memiliki absolute zero point dan bisa dinyatakan dalam kelipatan ketika dikaitkan dengan skala lain, misalnya, 100 pon adalah dua kali lebih berat dari 50 pon. PENGARUH PEMILIHAN SKALA PENGUKURAN. Memahami perbedaan jenis-jenis skala pengukuran ini penting karena dua alasan:
1.

Peneliti harus mengidentifikasi skala pengukuran setiap variabel yang

digunakan, agar data nonmetric tidak salah digunakan sebagai data metrik, dan begitupula sebaliknya (seperti contoh mengenai gender, dimana 1 untuk laki-laki dan 2 untuk perempuan). Jika peneliti tidak benar mendefinisikan ukuran ini sebagai metrik, maka ia bisa digunakan dengan tidak tepat (misalnya, mencari nilai rata-rata gender).
2. Skala pengukuran juga penting dalam menentukan teknik-teknik multivariat yang paling

cocok dalam suatu data, mengenai variabel independen dan dependen. Kesalahan Pengukuran dan Pengukuran Multivariat Penggunaan variabel berganda dan kombinasinya (variate) dalam teknik multivariat juga memfokuskan perhatian pada masalah lain kesalahan pengukuran (measurement error). Kesalahan pengukuran adalah sejauh mana nilai-nilai yang diamati tidak mewakili

nilai-nilai yang "sebenarnya". Kesalahan pengukuran bersumber dari beberapa hal, mulai dari kesalahan pengimputan data sampai pada ketidakakuratan pengukuran (misalnya, memaksakan skala rating nilai 7 untuk pengukuran perilaku ketika peneliti tahu bahwa responden hanya bisa bisa memberi respon rating nilai 3), termasuk juga ketidakmampuan responden dalam memberikan informasi yang akurat (misalnya, respon mengenai pendapatan rumah tangga mungkin cukup akurat tapi jarang benar-benar tepat). Jadi, semua variabel yang digunakan dalam teknik multivariat harus diasumsikan memiliki beberapa tingkat kesalahan pengukuran. Kesalahan pengukuran ini menambah "kerumitan" dalam variabel yang diukur atau yang diobservasi. Dengan demikian, nilai observasi yang didapatkan menunjukkan tingkat yang sebenarnya dan yang rumit. Ketika digunakan untuk menghitung korelasi atau nilai ratarata (mean), maka efek sebenarnya sebagian ditutupi oleh kesalahan pengukuran, yang menyebabkan korelasi melemah dan mean-nya menjadi kurang tepat. VALIDITAS DAN RELIABILITAS. Tujuan peneliti mengurangi kesalahan pengukuran dapat dilakukan dengan beberapa jalur. Dalam menilai tingkat kesalahan pengukuran dalam suatu ukuran, peneliti harus memperhatikan dua karakteristik penting dari suatu pengukuran:

Validitas adalah sejauh mana suatu pengukuran secara akurat mewakili apa yang

seharusnya. Sebagai contoh, jika kita ingin mengukur pendapatan tambahan, kita tidak perlu menanyakan seluruh pendapatan rumah tangga. Memastikan validitas dimulai dengan memahami apa yang ingin diukur dan kemudian menentukan ukuran yang benar dan akurat. Namun, keakuratan tidak menjamin validitas. Misalnya, dalam pendapatan, peneliti justru bisa menentukan total pendapatan rumah tangga, tetapi masih bisa "salah" (yaitu, ukuran yang tidak valid) dalam mengukur pendapatan tambahan karena pertanyaan yang "benar" tidak diajukan.

Jika sudah diperoleh validitas, peneliti masih harus mempertimbangkan reliabilitas pengukuran. Reliabilitas adalah sejauh mana variabel yang diamati menghasilkan nilai yang "benar" dan "bebas dari kesalahan"; Olehnya itu, ia adalah kebalikan dari kesalahan pengukuran. Jika ukuran yang sama ditanyakan berulang kali, misalnya, ukuran yang reliable, akan menghasilkan konsistensi yang lebih besar daripada ukuran yang kurang reliable. Peneliti harus selalu menilai variabel yang digunakan dan, jika ada alternatif ukuran kevalidan, maka pilih variabel yang memiliki reliability yang lebih tinggi.

MENGGUNAKAN PENGUKURAN MULTIVARIAT. Selain mengurangi kesalahan pengukuran dengan memperbaiki variabel individu, peneliti juga dapat memilih menggunakan ukuran multivariat (multivariate measurement), yang juga disebut sebagai summated scales,

yang mana beberapa variabel digabungkan dalam composite measure untuk menggambarkan sebuah konsep (misalnya, multiple-item personality scale atau summed rating of produkct satisfiction). Tujuannya adalah untuk menghindari penggunaan hanya satu variabel tunggal untuk menggambarkan sebuah konsep dan ketimbang menggunakan beberapa variabel sebagai indikator. Penggunaan indikator berganda memungkinkan peneliti secara tepat menentukan respon yang diinginkan. Misalnya, dalam mengukur tingkat kepuasan, kita bisa mengajukan sebuah pertanyaan, "Seberapa puaskah anda?" dan mendasarkan analisis pada respon tunggal. Atau summated scale bisa dibuat dengan menggabungkan beberapa respon tingkat kepuasan (misalnya, mencari nilai rata-rata diantara ketiga ukuran kepuasan, kemungkinan untuk membeli, dan kemungkinan untuk membeli lagi). Perbedaan pengukuran bisa menghasilkan respon yang berbeda-beda. Titik jelasnya bahwa respon berganda menunjukkan respon yang benar lebih akurat daripada respon tunggal. Peneliti harus menilai reliablity memasukan skala dalam analisis. DAMPAK DARI KESALAHAN PENGUKURAN. Dampak dari kesalahan pengukuran dan reliability yang buruk tidak bisa secara langsung terlihat karena mereka berada dalam variabel yang diamati. Olehnya itu, peneliti harus selalu berupaya untuk meningkatkan reliabilitas dan validitas, agar menghasilkan gambaran yang akurat dari variabel yang diinginkan. Kesalahan pengukuran tidak hanya menimbulkan kesalahan hasil tapi juga menyebabkan kesalahan penentuan hubungan sehingga menyebabkan teknik multivariat menjadik kurang kuat. Mengurangi kesalahan pengukuran, walaupun membutuhkan usaha, waktu, dan sumber daya tambahan, dapat memperbaiki hasil yang lemah atau marjinal dan juga memperkuat keakuratan hasil.

SIGNIFIKANSI STATISTIK VERSUS DAYA STATISTIK Semua teknik multivariat, kecuali analisis cluster dan perceptual mapping, didasarkan pada inferens statistik dari hubungan atau nilai-nilai variabel populasi yang sampelnya diambil secara acak dalam populasi. Sensus seluruh populasi menjadikan inferens statistik tidak dibutuhkan, karena setiap perbedaan atau hubungan, betapapun kecilnya, adalah benar dan tidak ada. Para peneliti sangat jarang menggunakan sensus. Oleh karena itu, peneliti sering mengambil inferens dari sampel. Jenis-Jenis Kesalahan Statistik dan Daya Statistik

Interpretasi inferens statistik mengharuskan seoarang peneliti untuk menentukan tingkat kesalahan statistik yang bisa diterima yang diakibatkan dari penggunaan sampel (dikenal dengan sampling error). Pendekatan yang paling umum adalah menentukan tingkat Type I error, yang dikenal dengan alpha (). Type I error adalah probabilitas untuk menolak hipotesis nol ketika benar-benar terjadi umumnya disebut sebagai false positive. Dengan menetapkan tingkat alfa, peneliti menetapkan batas kesalahan yang dapat diterima dan menunjukkan probabilitas kesimpulan signifikansi ketika tidak terjadi. Ketika menentukan tingkat type I error, peneliti juga menentukan kesalahan terkait, yang diistilakam dengan Type II error, atau beta (). Kesalahan Tipe II ini adalah probabilitas untuk tidak menolak hipotesis nol ketika benar-benar salah. Perpanjangan dari type II error adalah 1 - , yang disebut dengan daya uji inferens statistik. Daya adalah probabilitas untuk menunjukkan signifikansi statistik. Hubungan probabilitas perbedaan kesalahan ditampilkan dibawah ini:

Meskipun penentuan alpha membutuhkan tingkat signifikansi statistik yang dapat diterima, namun ia merupakan tingkat daya yang menunjukkan probabilitas keberhasilan dalam menemukan perbedaan jika benar-benar ada. Mengapa tidak menetapkan kedua alpha dan beta pada tingkat yang dapat diterima? Karena kesalahan tipe I dan tipe II berbanding terbalik. Dengan demikian, kesalahan tipe I kesalahan menjadi lebih restriktif (bergerak lebih dekat ke nol) ketika probabilitas kesalahan tipe II meningkat. Artinya, pengurangan kesalahan type I mengurangi daya uji statistik. Sehingga, peneliti harus menjaga keseimbangan antara tingkat alpha dan daya yang dihasilkan. Dampak Pada Daya Statistik Tapi mengapa tingkat daya yang tinggi tidak bisa tercapai? Daya bukan semata-mata fungsi dari alfa. Daya ditentukan oleh tiga faktor:
1. Ukuran efek probabilitas untuk mencapai signifikansi statistik didasarkan tidak hanya

pada pertimbangan statistik, tetapi juga pada ukuran efek yang sebenarnya. Jadi, ukuran efek (effect size) membantu peneliti menentukan apakah hubungan yang diamati

(perbedaan atau korelasi) mempunyai makna. Misalnya, ukuran efek bisa menjadi pembeda mean antara dua kelompok atau korelasi antara variabel. Jika sebuah universitas mengklaim lulusan MBA-nya mendapatkan gaji awal 50 persen lebih tinggi dari rata-rata, maka persen merupakan ukuran efek yang dikaitkan dengan perolehan gelar. Ketika memeriksa ukuran efek, efek yang besar lebih nampak daripada efek yang kecil dan karenanya akan memepngaruhi daya uji statistik. Untuk menilai daya dari tiap uji statistik, peneliti harus terlebih dahulu memahami efek yang dikaji. Ukuran efek diartikan secara standar untuk mempermudah perbandingan. Perbedaan mean (nilai rata-rata) dinyatakan dalam standar deviasi, sehingga ukuran efek .5 menunjukkan bahwa perbedaan mean adalah setengah dari standar deviasi. Untuk korelasi, ukuran efek didasarkan pada korelasi antar variabel.
2. Alpha () ketika alfa menjadi lebih ketat, maka daya menurun. Oleh karena itu, ketika

peneliti mengatakan sesuatu yang salah bahwa efek signifikan padahal sebenarnya tidak signifikan, maka kemungkinan benar untuk menghasilkan efek berkurang. Pedoman konvensional menunjukkan tingkat alpha .05 atau .01. Para peneliti harus mempertimbangkan dampak dari tingkat daya alpha sebelum memilih tingkat alpha.
3. Ukuran sampel ketika tingkat alfa diketahui, maka ukuran sampel selalu

menghasilkan daya yang lebih besar dalam uji statistik. Ketika ukuran sampel meningkat, maka peneliti harus memutuskan jika daya tersebut terlalu tinggi. Yang kami maksud dengan "terlalu tinggi" adalah bahwa dengan bertambahnya ukuran sampel, maka akan muncul efek yang kecil (misalnya, korelasi). Peneliti harus selalu menyadari bahwa ukuran sampel dapat mempengaruhi uji statistik baik dengan membuatnya tidak sensitif (pada ukuran sampel kecil) atau terlalu sensitif (pada ukuran sampel yang sangat besar). Sebuah contoh melibatkan uji perbedaan antara nilai rata-rata dari dua kelompok. Asumsikan bahwa ukuran efek diperkirakan berkisar antara kecil (0,2) dan sedang (0,5). Peneliti kini harus menentukan tingkat alpha yang diperlukan dan ukuran sampel dari setiap kelompok. Tabel 1 menggambarkan dampak dari ukuran sampel dan tingkat alpha pada kekuasaan. Perhatikan bahwa dengan daya ukuran efek sedang mencapai tingkat yang dapat diterima pada ukuran sampel 100 atau lebih untuk tingkat alpha .05 dan .01. Tetapi, ketika ukuran efek kecil, uji statistik memiliki sedikit daya, walaupun dengan tingkat alpha yang lebih fleksibel atau ukuran sampel 200 atau lebih. Sebagai contoh, jika ukuran efek kecil maka sampel 200 dengan alpha .05 hanya memiliki kesempatan 50 persen perbedaan yang signifikan. Hal ini menunjukkan bahwa jika peneliti mengharapkan bahwa ukuran efek akan kecil maka

penelitian harus memiliki ukuran sampel yang jauh lebih besar dan/atau tingkat alpha yang kurang restriktif (misalnya, .10).

Menggunakan Daya dengan Teknik Multivariat Peneliti dapat menggunakan analisis daya dalam design penelitian atau setelah pengumpulan data. Dalam design penelitian, ukuran sampel dan tingkat alpha dipilih untuk mencapai daya yang diinginkan. Power juga diperiksa setelah analisis diselesaikan untuk menentukan daya aktual yang dicapai agar hasilnya dapat diinterpretasikan. Apakah hasilnya karena efek ukuran, ukuran sampel, atau tingkat signifikansi? Masing-masing faktor ini dinilai untuk menentukan dampaknya terhadap signifikansi atau nonsignifikansi hasil. KLASIFIKASI TEKNIK MULTIVARIAT Untuk membantu Anda dalam memahami teknik-teknik multivariat tertentu, kami menyajikan klasifikasi metode multivariat pada Gambar 1. Klasifikasi ini didasarkan pada tiga pertimbangan yang peneliti harus buat sehubungan tujuan penelitian dan sifat data:
1.

Dapatkah variabel dibagi dalam klasifikasi independen dan dependen menurut Jika bisa, berapa banyak variabel yang dijadikan sebagai dependen dalam Bagaimana mengukur variabel dependen dan independen?

teori tertentu?
2.

analisis tunggal?
3.

Pemilihan teknik multivariat yang tepat tergantung pada jawaban ketiga pertanyaan di atas. Ketika mempertimbangkan penerapan teknik statistik multivariat, Jawaban untuk pertanyaan pertama Dapatkah variabel dibagi dalam klasifikasi independen dan dependen menurut teori tertentu? menunjukkan apakah teknik dependence dan independence harus digunakan.

Perhatikan bahwa dalam Gambar 1, teknik dependence berada di sisi kiri dan teknik independence berada di sebelah kanan. Teknik dependence bisa didefinisikan sebagai suatu teknik dimana variabel atau kumpulan variabelnya diidentifikasi sebagai variabel dependen yang diprediksi atau dijelaskan oleh variabel-variabel lain yang disebut dengan variabel independen. Contoh dari teknik dependence adalah analisis regresi berganda. Sedangkan, teknik independence adalah suatu teknik dimana tidak ada satu variabel atau sekelompok variabel didefinisikan menjadi independen atai dependen. Analisis faktor adalah contoh dari teknik interdependence.

Teknik Dependence Teknik-teknik dependence yang berbeda dapat dikategorikan dengan dua karakteristik: (1) jumlah variabel dependen dan (2) jenis skala pengukuran yang digunakan oleh variabel. Pertama, berkaitan dengan jumlah variabel dependen, teknik dependent dapat digolongkan sebagai teknik yang memiliki variabel dependen tunggal, beberapa variabel dependent, atau bahkan beberapa hubungan dependent/independent. Kedua, teknik dependence dapat diklasifikasikan lagi sebagai teknik yang memiliki variabel dependent metrik (quantitative/numerical) atau nonmetrik (qualitative/ categorical). Jika analisis menggunakan satu variabel dependen tunggal yang disebut metrik, maka teknik yang tepat adalah menggunakan analisis regresi berganda atau analisis konjoint. Analisis conjoint adalah kasus khusus. Ia menggunakan prosedur dependence yang bisa berperan variabel dependent sebagai metrik atau nonmetrik, tergantung pada jenis data yang dikumpulkan. Sebaliknya, jika variabel dependen tunggal adalah nonmetric (categorical), maka teknik yang tepat adalah menggunakan analisis diskriminan berganda dan model probabilitas linier. Ketika masalah penelitian menggunakan beberapa variabel dependen, maka ada empat teknik analisis yang cocok. Jika beberapa variabel dependen adalah metrik, maka kita harus melihat ke variabel independent. Jika variabel independentnya adalah nonmetric, maka teknik analisis varians multivariat (MANOVA) harus dipilih. Jika variabel independenya adalah metrik, maka teknik yang tepat adalah korelasi kanonik. Jika beberapa variabel dependen adalah nonmetric, maka variabel tersebut dapat diubah melalui dummy variable yang berkode (0-1) dan analisis kanonik bisa lagi digunakan. Terakhir, jika kumpulan hubungan variabel dependent/independent dijadikan dalil, maka teknik yang tepat adalah equation modelling. Sebuah hubungan yang erat terjadi antara beberapa prosedur dependence, yang dapat dilihat sebagai sebuah kesatuan teknik. Tabel 2 menguraikan berbagai teknik dependence multivariat menurut sifat dan jumlah variabel dependen dan independen. Seperti yang kita lihat, korelasi kanonik dapat dianggap sebagai model umum karena ia mempunyai batasan dalam jenis dan jumlah variabel baik variate dependent maupun independent. Teknik Interdependence Teknik interdependence ditampilkan pada sisi kanan Gambar 1. Pembaca akan ingat bahwa dengan teknik interdependence variabel tidak dapat diklasifikasikan baik sebagai dpendent maupun independent. Sebaliknya, semua variabel dianalisis secara simultan untuk mendapatkan struktur dasar dari seluruh kumpulan variabel atau subyek. Jika struktur variabel harus dianalisis, maka analisis faktor atau analisis confirmatory factor menjadi teknik yang tepat. Jika kasus atau responden harus dikelompokkan untuk mewakili struktur, maka analisis

cluster yang harus dipakai. Terakhir, jika fokusnya adalah struktur objek, maka teknik yang harus digunakan adalah teknik perceptual mapping. Seperti halnya teknik dependence, teknik pengukuran perlu dipertimbangkan. Secara umum, analisis faktor dan analisis cluster merupakan teknik interdependence metrik. Namun, data nonmetric dapat dirubah menjadi dummy variable coding untuk digunakan dalam analisis faktor dan kluster. Pendekatan metrik dan nonmetric terhadap perceptual mapping telah dikembangkan. Jika interdependence obyek yang diukur dengan data nonmetrik harus dianalisis, maka teknik yang tepat adalah analisis korespondensi.

JENIS TEKNIK MULTIVARIAT Analisis multivariat merupakan pengembangan dari sejumlah teknik analisis data. Teknik-teknik multivariat meliputi: 1. Principal components dan common factor analysis 2. Multiple regression dan multiple correlation
3. Multiple discriminant analysis dan logistic regression 4. Cannonical correlation analysis 5. Multivariate analysis of variance dan covariance 6. Conjoint analysis 7. Cluster analysis

8. Perceptual mapping, juga deikenal dengan multidimensionl scalling 9. Correspondence analysis 10. Structural equation modelling dan confirmatory factor analysis

Berikut ini akan dijelaskan masing-masing teknik multivanate dan tujuan penerapannya. Principal Component Dan Common Factor Analysis Analisa faktor, termasuk analisis komponen utama (principal component analysis) dan analisis faktor umum (common factor analysis), merupakan sebuah pendekatan statistik yang bisa digunakan untuk menganalisis hubungan timbal balik di antara sejumlah besar variabel dan menjelaskan variabel-variabel tersebut dari segi dimensi umum yang mendasarinya (faktor). Tujuannya adalah menemukan cara kondensasi informasi yang terdapat dalam sejumlah variabel asli ke dalam kumpulan variate yang lebih kecil (faktor) tanpa kehilangan informasi. Dengan memberikan estimasi struktur empiris variabel, analisis faktor menjadi landasan objektif dalam membuat summated scales. Seorang peneliti bisa menggunakan analisis faktor, misalnya, untuk lebih memahami hubungan antara rating pelanggan dari sebuah restoran cepat saji. Asumsikan Anda meminta pelanggan untuk memberi penilaian terhadap suatu restoran dengan enam variabel berikut: cita rasa makanan, suhu makanan, kesegaran, waktu tunggu, kebersihan, dan keramahan karyawan. Seorang analis ingin menggabungkan enam variabel ini menjadi jumlah yang lebih kecil. Dengan menganalisa respons pelanggan, analis tersebut mungkin menemukan bahwa variabel cita rasa makanan, suhu, dan kesegaran digabungkan membentuk satu faktor tunggal menjadi qualitas makanan, sedangkan variabel waktu tunggu, kebersihan, dan keramahan karyawan digabungkan membentuk faktor tunggal lain yang disebut kualitas layanan. Multiple Regression Regresi berganda (multiple regression) adalah metode analisis yang cocok untuk masalah penelitian yang menggunakan variabel dependen metrik tunggal yang diduga terkait dengan dua atau beberapa variabel independen metrik. Tujuan dari analisis regresi berganda untuk memprediksi perubahan variabel dependen akibat dari perubahan variabel independen. Ketika peneliti ingin memprediksi jumlah atau ukuran variabel dependent, maka dibutuhkan regresi berganda. Misalnya, pengeluaran bulanan untuk makan di luar (variabel dependen) dapat diperkirakan dari informasi mengenai pendapatan keluarga, ukurannya, dan umur kepala rumah tangga (variabel independen). Demikian pula, peneliti mungkin mencoba

memprediksi penjualan perusahaan dari informasi mengenai pengeluaran iklannya, jumlah tenaga penjualan, dan jumlah toko yang menjual produk-produknya. Multiple Discriminant Analysis dan Logistic Regression Analisis diskriminan berganda/Multiple discriminant analysis (MDA) adalah teknik multivanate yang cocok untuk variabel dependent tunggal yang dikotomis (misalnya, priawanita) atau multikotomis (misalnya, tinggi-sedang-rendah) dan karenanya disebut nonmetric. Seperti halnya regresi berganda, variabel independen diasumsikan metrik. Analisis diskriminan dapat diterapkan dalam situasi di mana total sampel dapat dibagi dalam kelompok-kelompok berdasarkan variabel dependen nonmetric yang bercirikan beberapa kelas yang dikenal (known class). Tujuan utama dari analisis diskriminan ganda adalah memahami perbedaan kelompok dan memprediksi kemungkinan bahwa entitas (individu atau objek) akan menjadi milik kelas atau kelompok tertentu berdasarkan beberapa variabel independen metrik. Analisis diskriminan bisa digunakan untuk membedakan inovator dari noninnovator menurut profil demografis dan psikografis-nya. Model regresi logistik (logistic regression model), sering disebut sebagai logit analysis, adalah kombinasi dari regresi berganda dan analisis diskriminan berganda. Teknik ini mirip dengan analisis regresi berganda dimana satu atau beberapa variabel independen digunakan untuk memprediksi variabel dependen tunggal. Yang membedakan antara model regresi logistik dengan regresi berganda adalah di dalam analisis diskriminan variabel dependent adalah nonmetric. Skala nonmetric dari variabel dependen membutuhkan perbedaan metode estimasi dan asumsi tentang jenis distribusi yang mendasarinya, namun di sebagian besar aspek lainnya sangat mirip dengan regresi berganda. Jadi, ketika variabel dependen sudah benar dan teknik estimasi yang sesuai digunakan, maka digunakanlah regresi berganda. Model regresi logistik dibedakan dari analisis diskriminan terutama karena ia menampung semua jenis variabel independen (metrik dan nonmetric) dan tidak memerlukan asumsi normalitas multivariat. Namun, dalam banyak kasus, terutama tingkat variabel terikat yang dua atau lebih, analisis diskriminan adalah teknik yang lebih tepat. Canonical Correlation Analisis korelasi kanonikal (canonical correlation canonical) dapat dilihat sebagai pengembangan logis dari analisis regresi berganda. Ingat bahwa analisis regresi berganda menggunakan variabel dependen tunggal metrik dan beberapa variabel independen metrik. Dengan analisis kanonik, tujuannya adalah mengkorelasikan secara simultan beberapa variabel dependen metrik dan beberapa variabel independen metrik. Sedangkan regresi berganda

melibatkan variabel dependen tunggal, dan korelasi kanonikal melibatkan beberapa variabel dependen. Prinsip yang mendasari adalah membuat kombinasi linear dari masing-masing kelompok variabel (baik independen dan dependen) dengan cara memaksimalkan korelasi antara dua kelompok. Asumsikan sebuah perusahaan melakukan sebuah studi yang mengumpulkan informasi tentang kualitas layanannya berdasarkan jawaban dari 50 pertanyaan metrik. Penelitian ini menggunakan pertanyaan dari penelitian kualitas layanan dan mencakup informasi pembandingan pada persepsi kualitas pelayanan "perusahaan kelas dunia" dan juga perusahaan tempat penelitian sedang dilakukan. Korelasi kanonik dapat digunakan untuk membandingkan persepsi dari perusahaan kelas dunia pada 50 pertanyaan dengan persepsi perusahaan. Penelitian ini kemudian bisa menyimpulkan apakah persepsi dari Perusahaan com berkorelasi dengan orang-orang dari perusahaan kelas dunia. Teknik ini akan memberikan informasi tentang korelasi keseluruhan persepsi serta korelasi antara masing-masing 50 pertanyaan. Analisis Multivariat Varians dan Kovarians Analisis varians multivariat (MANOVA) adalah teknik statistik yang dapat digunakan untuk mengeksplorasi hubungan antara beberapa variabel independen kategorikal (biasanya disebut sebagai perlakuan) dan dua atau beberapa variabel dependen metrik. Dengan demikian, ia merupakan pengembangan dari analisis univariat varians (ANOVA). Analisis multivariat kovarians (MANCOVA) bisa digunakan bersama dengan MANOVA untuk menghilangkan (setelah percobaan) efek dari setiap variabel independen metrik yang tidak terkontrol (dikenal sebagai kovariat) pada variabel dependen. Prosedur ini sama dengan korelasi parsial bivariat, di mana efek dari variabel ketiga dihilangkan dari korelasi. MANOVA berguna bagi peneliti yang merancang situasi eksperimental (manipulasi beberapa variabel nonmetric) untuk menguji hipotesis tentang varians respon kelompok pada dua atau beberapa variabel dependen metrik. Asumsikan sebuah perusahaan ingin tahu apakah iklan lucu akan lebih efektif buat konsumennya dari pada ikan yang tak lucu. Perusahaan tersebut lalu meminta agen periklanan untuk membuat dua jenis iklan satu lucu dan satunya tidak lucu dan kemudian menampilkan kedua iklan tersebut kepada sekelompok konsumen. Setelah melihat kedua iklan tersebut, para konsumen diminta untuk menilai perusahaan dan produknya dari beberapa dimensi, seperti modern vs tradisional atau qualitas tinggi versus kualitas rendah. MANOVA akan menjadi teknik yang digunakan untuk menentukan tingkat perbedaan statistik antara persepsi pelanggan yang melihat iklan lucu versus konsumen yang melihat iklan yang tidak lucu.

Conjoint Analisis Analisis conjoint (conjoint analysis) adalah teknik dependence yang membawa kecanggihan baru dalam menilai obyek, seperti produk, jasa, atau ide baru. Aplikasi yang paling langsung adalah dalam pengembangan jasa atau produk baru, yang memungkinkan melakukan evaluasi terhadap produk yang kompleks dengan tetap menjaga konteks keputusan yang realistis bagi responden Para peneliti pasar bisa menilai pentingnya atribut serta tingkat setiap atribut ketika konsumen mengevaluasi hanya beberapa profil produk, yang merupakan kombinasi dari tingkat produk. Asumsikan sebuah konsep produk memiliki tiga atribut (harga, kualitas, dan warna), dengan masing-masing dari ketiga tingkatan yang ada (misalnya, merah, kuning, dan biru). Daripada harus menghitung semua kombinasi 27 (3 X 3 X 3), maka subset (9 atau lebih) bisa dihitung karena daya tariknya kepada konsumen, dan peneliti mengetahui tidak hanya seberapa penting setiap atribut tetapi juga pentingnya setiap tingkat (misalnya, daya tarik warna merah vs kuning vs biru). Selain itu, setelah evaluasi konsumen selesai, hasil analisis conjoint juga dapat digunakan dalam simulator desain produk, yang menunjukkan penerimaan konsumen atas sejumlah formulasi produk dan membantu dalam desain produk yang optimal. Cluster Analysis Analisis cluster (cluster analysis) adalah suatu teknik analitis untuk mengembangkan sub kelompok yang bermakna bagi individu atau objek. Secara khusus, tujuannya adalah untuk mengklasifikasikan sampel entitas (individu atau objek) ke dalam sejumlah kecil kelompok yang saling berbeda berdasarkan kesamaan di antara entitas. Teknik cluster digunakan untuk mengidentifikasi kelompok. Analisis cluster biasanya melibatkan setidaknya tiga tahapan. Pertama adalah pengukuran kesamaan bentuk atau keterkaitan antara entitas untuk menentukan berapa banyak kelompok yang benar-benar ada dalam sampel. Tahap kedua adalah proses pengelompokan yang sebenarnya, dimana entitas dipartisi kedlaam beberapa kelompok (cluster). Tahap terakhir adalah memprofil orang atau variabel untuk menentukan komposisinya. Sebagai contoh dari analisis cluster, asumsikan seorang pemilik restoran ingin mengetahui apakah konsumen menjadikan suatu restoran sebagai langganan karena beberapa alasan yang berbeda. Data dapat dikumpulkan berdasarkan persepsi harga, kualitas makanan, dan sebagainya. Analisis cluster dapat digunakan untuk menentukan apakah beberapa sub kelompok (cluster) sangat termotivasi oleh harga yang rendah dibandingkan dengan mereka yang jauh kurang termotivasi untuk datang ke restoran berdasarkan pertimbangan harga.

Perceptual Mapping Dalam pemetaan persepsi / perceptual mapping (juga dikenal dengan multidimensional scalling), tujuannya adalah untuk mengubah penilaian kesamaan atau pilihan konsumen (misalnya pilihan toko atau merek) menjadi jarak diwakili dalam ruang multidimensi. Jika obyek A dan B dinilai oleh responden sangat mirip dibandingkan dengan semua pasangan obyek lain, maka teknik pemetaan persepsi akan memposisikan objek A dan B sedemikian rupa sehingga jarak antara mereka dalam ruang multidimensi lebih kecil dari jarak antara pasang objek yang lain. Hasil peta persepsi menunjukkan posisi relatif dari semua obyek, tetapi analisis tambahan diperlukan untuk menjelaskan atau menilai atribut mana yang memprediksi posisi setiap objek. Sebagai contoh dari pemetaan persepsi, mari kita asumsikan seorang pemilik waralaba Burger King ingin mengetahui apakah pesaing terkuatnya adalah McDonald atau Wendy. Sampel konsumen diberikan survei dan diminta untuk menilai pasangan restoran dari yang paling mirip sampai dengan yang kurang mirip. Hasil penelitian menunjukkan bahwa Burger King yang paling mirip dengan Wendy, sehingga pemilik tahu bahwa pesaing terkuat adalah restoran Wendy karena dianggap menjadi yang paling mirip. Analisis tindak lanjut dapat mengidentifikasi atribut apa yang mempengaruhi kesamaan dan perbedaan persepsi. Correspondence Analysis Analisis korespondensi (correspondence analysis) adalah teknik interdependensi yang dibuat untuk mempermudah pemetaan persepsi obyek (misalnya, produk, orang) pada seperangkat atribut nonmetric. Para peneliti terus-menerus dihadapkan dengan keharusan untuk "mengukur data kualitatif" yang ada dalam variabel nominal. Analisis korespondensi berbeda dengan teknik interdependensi atas kemampuannya untuk mengakomodasi data nonmetric dan hubungan nonlinier. Dalam bentuknya yang paling dasar, analisis korespondensi mennggunakan tabel kontingensi, yang merupakan perhitungan silang dari dua variabel kategori. Kemudian mengubah data nonmetric menjadi tingkat metrik dan melakukan pengurangan dimensi (mirip dengan analisis faktor) dan pemetaan persepsi. Analisis korespondensi menunjukkan representasi multivariat interdependensi untuk data nonmetric yang tidak mungkin dengan metode lain. Sebagai contoh, piliham merek responden dapat dihitung pada variabel demografis (misalnya, jenis kelamin, kategori pendapatan, pekerjaan) dengan menunjukkan berapa banyak orang yang memilih setiap merek masuk dalam setiap kategori variabel demografis. Melalui

analisis korespondensi, keterkaitan, atau "korespondensi," merek dan perbedaan karakteristik dari pilihan merek ditampilkan dalam peta dua atau tiga dimensi dari kedua merek dan karakteristik responden. Merek yang dianggap sama berada dekat dengan satu sama lain. Begitupula, perbedaan karakteristik responden dalam memilih setiap merek ditentukan oleh kedekatan kategori variabel demografi dari posisi merek tersebut. Structural Equation Modelling dan Confirmatory Factor Analysis Structural Equation Modeling (SEM) merupakan teknik yang memungkinkan hubungan setiap perangkat variabel dependen. Dalam pengertian yang paling sederhana, pemodelan persamaan struktur (structural equation modelling) merupakan teknik perhitungan yang paling efisien dan cocok bagi serangkaian persamaan regresi berganda. Hal ini ditandai oleh dua komponen dasar: (1) model struktural dan (2) model pengukuran. Model struktural adalah model jalan, yang menghubungan variabel independen dengan variabel dependen. Dalam situasi seperti itu, teori, pengalaman sebelumnya, atau petunjuk lain memungkinkan peneliti untuk membedakan mana variabel independen yang memprediksi setiap variabel dependen. Model-model dalam variabel dependen berganda analisis varians multivariat korelasi kanonikal tidak dipakai dalam situasi ini karena mereka hanya membolehkan hubungan tunggal antara variabel dependen dan variabel independen. Model pengukuran memungkinkan peneliti menggunakan beberapa variabel (indikator) untuk variabel independen atau variabel dependent tunggal. Misalnya, variabel dependen mungkin merupakan konsep yang diwakili oleh summated scale, seperti harga diri. Dalam analisis faktor konfirmatori, peneliti bisa menilai kontribusi dari setiap item skala serta menggabungkan seberapa baik skala pengukuran konsep (reliability). Sebuah studi oleh konsultan manajemen mengidentifikasi beberapa faktor yang mempengaruhi kepuasan pekerja: dorongan pengawas, lingkungan kerja, dan prestasi kerja. Selain hubungan ini, mereka mencatat hubungan terpisah dimana dorongan pengawas dan lingkungan kerja menjadi predikotor yang unik dalam prestasi kerja. Oleh karena itu, mereka memiliki dua hubungan yang terpisah, tetapi saling terkait. Dorongan pengawas dan lingkungan kerja tidak hanya mempengaruhi kepuasan pekerja secara langsung, tetapi memiliki efek tidak langsung melalui hubungannya dengan prestasi kerja, yang juga merupakan prediktor kepuasan pekerja. Dalam usaha untuk menilai hubungan ini, para konsultan juga mengembangkan multi-item skala untuk setiap konstruk (supervisor dukungan, lingkungan kerja, prestasi kerja, dan kepuasan pekerja). SEM menyediakan sarana untuk tidak hanya menilai setiap hubungan secara bersamaan, tetapi juga menggabungkan multi-item skala dalam

analisis untuk memperhitungkan kesalahan pengukuran yang terkait dengan masing-masing skala. PEDOMAN INTERPRETASI DAN ANALISIS MULTIVARIAT Karakter yang beragam dari analisis multivariat 'menghasilkan kemammpuan analitis dan prdiktif yang cukup kuat. Daya ini menjadi sangat menggoda ketika peneliti tidak yakin dari desain analisis yang paling tepat dan bukan bergantung pada teknik multivariat sebagai pengganti untuk pengembangan konseptual diperlukan. Menghadapi kompleksitas ini, kami mengingatkan peneliti untuk melanjutkan hanya ketika telah dikembangkan konsep dasar untuk mendukung teknik yang dipilih. Kita telah membahas beberapa isu terutama pemakaian analisis multivariat, dan meskipun tidak ada"jawaban" tunggal, kita menemukan bahwa analisis dan interpretasi dari masalah multivariat bisa dibantu dengan mengikuti beberapa pedoman umum. Panduan ini meliputi: Menetapkan Signifikansi Praktis dan Signifikansi Statistik Daya analisis multivariat adalah kemampuan magis-nya dalam memilih sejumlah alternatif dan menemukan signifikansi statistik. Banyak peneliti menjadi kurang jelas hanya memfokuskan pada signifikansi hasil tanpa memahami interpretasinya, baik atau buruk. Seorang peneliti jangan hanya melihat pada signifikansi statistik dari hasil tetapi juga pada signifikansi praktis-nya. Signifikansi praktis menanyakan pertanyaan, "apa jadinya?" untuk setiap aplikasi manajerial, hasilnya harus menawarkan efek yang nyata yang membenarkan tindakan. Dalam lingkup akademik, penelitian menjadi lebih terfokus tidak hanya pada hasil yang signifikan secara statistik tetapi juga pada implikasi substantif dan teoritis-nya, yang seringkali diambil dari signifikansi praktisnya. Sebagai contoh, analisis regresi dilakukan untuk memprediksi niat pembelian kembali, yang diukur dengan probabilitas antara 0 dan 100 bahwa pelanggan akan berbelanja lagi di perusahaan tersebut. Penelitian dilakukan dan hasilnya kembali signifikan pada tingkat signifikansi .05. Eksekutif terburu-buru untuk mengambil hasil tersebut dan selanjutnya mengubah strategi perusahaan. Namun, apa yang terjadi tanpa disadari adalah bahwa bahkan meskipun hubungan tersebut signifikan, kemampuan prediktif sangat rendah bahwa estimasi probabilitas pembelian kembali bisa bervariasi sebanyak 20 persen dengan tingkat signifikansi .05. Hubungan "statistik signifikan" ini bisa memiliki tingkat kesalahan 40 persen. Pelanggan yang diperkirakan memiliki peluang 50 persen kembali benar-benar bisa memiliki probabilitas dari 30 persen menjadi 70 persen, menunjukkan tingkat yang tidak dapat diterima sebagai bahan untuk mengambil tindakan.

Ketahui Bahwa Ukuran Sampel Mempengaruhi Semua Hasil Pembahasan mengenai daya statistik yang menunjukkan dampak besar ukuran sampel berperan dalam mencapai signifikansi statistik, baik ukuran sampel kecil maupun besar. Untuk sampel yang lebih kecil, kecanggihan dan kompleksitas dari teknik multivariat dengan mudah dapat menghasilkan (1) daya uji statistik yang terlalu sedikit untuk mengidentifikasi hasil yang signifikan atau (2) terlalu mudah "overfitting" data sehingga hasilnya baik karena menyesuaikan sampel yang belum mempunyai generalisasi. Dampak serupa juga terjadi pada ukuran sampel yang besar, dapat membuat tes statistik terlalu sensitif. Ketika ukuran sampel melebihi 400 responden, peneliti harus memeriksa semua hasil yang signifikan untuk memastikan mereka memiliki signifikansi praktis karena daya peningkatan statistik dari ukuran sampel. Ukuran sampel juga mempengaruhi hasil ketika analisis melibatkan kelompok responden, seperti analisis diskriminan atau MANOVA. Ukuran sampel yang tidak setara antar kelompok mempengaruhi hasil dan memerlukan interpretasi atau analisis tambahan. Dengan demikian, seorang peneliti atau pengguna teknik multivariat harus selalu menilai hasil mengingat sampel yang digunakan dalam analisis. Ketahui Data Anda Teknik multivariat, mengidentifikasi hubungan yang kompleks yang sulit untuk direpresentasikan secara sederhana. Akibatnya, kecenderungan adalah untuk menerima hasil tanpa pemeriksaan dalam analisis univariat dan bivariat (misalnya, scatterplots korelasi dan boxplots perbandingan rata-rata). Namun, jalan pintas seperti ini dapat menjadi awal bencana. Analisis multivariat memerlukan pemeriksaan data yang lebih ketat karena pengaruh outlier, kesalahan asumsi, dan missing data bisa mempengaruhi beberapa variabel untuk membuat efek yang cukup besar. Melalui cara teknik diagnostik memungkinkan penemuan hubungan-multivariat dengan cara yang sangat mirip dengan metode univariat dan bivariat. Peneliti multivariat harus memanfaatkan langkah-langkah diagnostik untuk memahami data dan hubungan dasarnya. Dengan pemahaman ini, peneliti tidak hanya mengetahui gambaran umumnya tapi juga tahu bagaimana mencari formulasi alternatif dari model asli yang dapat membantu dalam penyesuaian model, seperti hubungan nonlinear dan interaktif. Upayakan Model Yang Sesederhana Teknik multivariat dirancang untuk mengakomodasi beberapa variabel dalam analisis. Namun, ciri ini tidak harus menggantikan pengembangan model konseptual sebelum teknik multivariat diterapkan. Meskipun sebaiknya menghindari penghilangan variabel prediktor

penting, yang diistilahkan specification error, namun peneliti harus menghindari memasukkan sembarang variabel dan membiarkan teknik multivariat memilah-milah variabel yang relevan karena dua alasan mendasar:
1. Variabel yang tidak relevan biasanya meningkatkan kemampuan teknik untuk

menyesuaikan data sampel, tetapi dengan mengorbankan kelebihan data sampel dan membuat hasilnya kurang digeneralisasikan ke populasi.
2. Meskipun variabel yang tidak relevan biasanya tidak membiaskan estimasi variabel

yang relevan, namun ia dapat menutupi efek sebenarnya karena peningkatan multikolinieritas. Multikolinieritas menunjukkan tingkat dimana suatu efek variabel dapat diprediksi atau dicatat oleh variabel lain dalam analisis. Ketika multikolinearitas menigkat, kemampuan untuk menentukan suatu efek variabel menjadi berkurang. Penambahan variabel yang signifikan atau tidak relevan hanya dapat menambah tingkat multikolinearitas, yang menyebabkan interpretasi semua variabel menjadi lebih sulit. Lihatlah Kesalahan Anda Meskipun dengan daya statistik teknik multivariat, kita sulit mendapatkan prediksi terbaik dalam analisis pertama. Peneliti kemudian dihadapkan dengan pertanyaan, "kenapa bisa begitu?" Jawaban terbaik adalah dengan melihat kesalahan prediksi, apakah kesalahan tersebut merupakan akibat dari analisis regresi, kesalahan klasifikasi observasi dalam analisis diskriminan, atau outlier di dalam analisis cluster. Dalam setiap kasus, peneliti harus menggunakan kesalahan prediksi bukan sebagai ukuran kegagalan atau sesuatu untuk dihilangkan, tapi sebagai titik awal untuk mendiagnosis validitas hasil yang diperoleh dan indikasi hubungan yang tidak dapat dijelaskan. Validasi Hasil Anda Kemampuan analisis multivariat untuk mengidentifikasi hubungan yang kompleks juga berarti bahwa hasilnya hanya dikhususkan pada sampel dan tidak digeneralisasikan pada populasi. Peneliti harus selalu memastikan bahwa ada observasi per parameter untuk menghindari "overfitting" sampel. Namun, ada beberapa metode untuk memvalidasi hasil:
1.

Membagi-bagi

sampel

dan

menggunakan

sub-sampel

pertama

untuk

memperkirakan model dan subsample kedua untuk memperkirakan akurasi prediksi.


2.

Kumpulkan sampel yang terpisah untuk memastikan bahwa hasilnya sesuai Gunakan teknik bootstrapping, yang memvalidasi model multivariat dengan

untuk sampel yang lain.


3.

membuat sejumlah subsample, memperkirakan model setiap subsampel, dan kemudian menentukan nilai parameter dari setiap model dengan menghitung rata-rata setiap koefisien

semua model subsampel. Pendekatan ini juga tidak bergantung pada asumsi statistik untuk menilai apakah parameter berbeda dari nol. Ketika sebuah teknik multivariat digunakan, peneliti harus berusaha tidak hanya untuk memperkirakan model yang signifikan tetapi juga memastikan bahwa itu adalah representasi dari keseluruhan populasi. PENDEKATAN MULTIVARIAT Sesuai pembahasan tentang teknik multivariat bagi peneliti dan sejumlah persoalan dalam aplikasinya, maka menjadi jelas bahwa keberhasilan aplikasi analisis multivariate melibatkan lebih dari hanya sekedar memilih metode yang tepat. Persoalan mulai dari definisi masalah sampai pada diagnosis hasil harus dibenahi. Untuk membantu peneliti atau pengguna metode multivariat, pendekatan enam tahap analisis multivariat disajikan. Tujuannya adalah bukan untuk menjadi prosedur yang kaku tapi, sebaliknya, menjadi pedoman dalam pendekatan pembentukan model. Pendekatan ini memfokuskan analisis pada rancangan penelitian yang jelas, yang diawali dari model konseptual yang menjelaskan hubungan yang dikaji. Setelah ditentukan konsep, selanjutnya isu-isu empiris dapat dikemukakan, termasuk pemilihan teknik multivariat yang spesifik dan masalah implementasinya. Setelah mendapatkan hasil yang signifikan, kita fokus pada interpretasi, dengan memperhatikan variate. Terakhir, langkahlangkah diagnostik memastikan bahwa model tersebut berlaku tidak hanya untuk data sampel tetapi itu adalah juga dijadikan generalisasi. Enam proses ini menjadi kerangka kerja untuk mengembangkan, menafsirkan, dan memvalidasi setiap analisis multivariat. Setiap peneliti harus mengembangkan kriteria "sukses" atau "kegagalan" pada setiap tahapan, tetapi dengan adanya penjelasan tentang masing-masing tekeknik menjadi pedoman. Tahap 1: Menentukan Rumusan Masalah, Tujuan dan Teknik Multivariat Yang Digunakan Titik awal dari setiap analisis multivariat adalah mendefinisikan masalah penelitian dan tujuan analisis berdasarkan konseptualnya sebelum menentukan setiap variabel atau tindakan. Peran pengembangan model konseptual, atau teori, tidak dapat dilebih-lebihkan. Tidak peduli apakah di dalam penelitian terapan atau akademik, peneliti harus terlebih dahulu melihat masalah secara konseptual dengan mendefinisikan konsep dan mengidentifikasi hubungan dasarnya. TERSTRUKTUR DALAM PEMBENTUKAN MODEL

Sebuah model konseptual tidak perlu kompleks dan rinci, melainkan berupa representasi sederhana dari hubungan untuk dikaji. Jika hubungan dependence diusulkan sebagai tujuan penelitian, peneliti perlu menentukan konsep dependen dan independen. Untuk aplikasi teknik interdependence, dimensi struktur atau kesamaan harus ditentukan. Perhatikan bahwa suatu konsep (ide atau topik), bukan sebuah variabel tertentu, didefinisikan secara dependence dan independence. Cara ini bertujuan untuk meminimalisisr penghapusan konsepkonsep yang relevan dalam pengembangan langkah-langkah dan penentuan design penelitian. Dengan adanya model konseptual dan tujuan, peneliti tinggal memilih teknik multivariat yang sesuai berdasarkan karakteristik pengukuran variabel dependen dan independen. Variabel untuk setiap konsep sudah harus ditentukan sebelum melakukan penelitian. Tahap 2: Membuat Rencana Analisis Dengan adanya model konseptual dan teknik multivariat, perhatian beralih pada isu-isu implementasi. Masalah-masalah menyangkut pertimbangan umum seperti ukuran sampel minimum atau yang diinginkan dan jenis variabel yang dibolehkan atau yang dinginkan (metrik versus nonmetrik) dan metode estimasi. Tahap 3: Menilai Asumsi Yang Mendasari Teknik Multivariat Setelah pengumpulan, tugas pertama adalah bukan menilai model multivariat tetapi menilai asumsi yang mendasarinya, baik secara statistik maupun secara konseptual, yang secara substansial mempengaruhi kemampuan representasi hubungan multivariat. Karena teknik ini berdasarkan inferens statistik, maka asumsi normalitas normalitas, linieritas, independence tingkat kesalahan, dan kesetaraan varians harus terpenuhi. Setiap teknik juga menggunakan serangkaian asumsi konseptual yang berkaitan dengan masalah-masalah seperti formulasi model dan jenis representansi hubungan. Tahap 4: Menilai Model Multivariat dan Menilai Ketepatan Model Setelah asumsi dipenuhi, analisis berlanjut pada penilaian model multivariat dan penilaian ketepatan model. Dalam proses penilaian, peneliti bisa memilih beberapa opsi untuk memenuhi karakteristik data (misalnya, penggunaan kovariat di MANOVA) atau memaksimalkan ketepatan data (misalnya, rotasi faktor atau fungsi diskriminan). Setelah penilaian model, selanjutnya penilaian ketepatan model guna memastikan apakah telah mencapai tingkat yang dapat diterima sesuai kriteria statistik (misalnya, tingkat signifikansi), mengidentifikasi hubungan yang diusulkan, dan mencapai signifikansi praktis.

Peneliti juga harus menentukan apakah hasilnya dipengaruhi oleh satu atau beberapa observasi yang menunjukkan hasilnya tidak stabil atau tidak bisadigeneralisasikan. Tahap 5: Menginterpretasikan Variat Setelah memenuhi tingkat ketepatan model, langkah selanjutnya adalah menginterpretasikan variate yang menunjukkan sifat dari hubungan multivariat. Interpretasi dari efek variabel dibuat dengan memeriksa koefisien (bobot) setiap variabel dalam variate. Interpretasi ini dapat menyebabkan pengulangan spesifikasi variabel dan/atau formulasi model, dimana model ini dinilai ulang dan kemudian diinterpretasikan kembali. Tujuannya adalah untuk mengidentifikasi bukti empiris hubungan multivariat dalam data sampel yang dapat digeneralisasikan pada seluruh populasi. Tahap 6: Validasi Model Multivariat Sebelum menerima hasil, peneliti harus melakukan tahp terakhir yaitu menilai tingkat generalisasi hasil melalui metode validasi. Upaya untuk memvalidasi model diarahkan pada penggeneralisasian hasil pada seluruh populasi. Analisis diagnostik ini memberikan sedikit tambahan dalam interpretasi hasil tetapi bisa dianggap sebagai "jaminan" bahwa hasil tersebut merupakan gambaran keseluruhan data yang bisa digeneralisasikan kedalam populasi. Sebuah Flowchart Keputusan Untuk setiap teknik multivariat, pendekatan enam tahap dalam model multivariat akan digambarkan dalam flowchart keputusan menjadi dua bagian. Bagian pertama (tahap 1 sampai 3) berkaitan dengan masalah persiapan model (yaitu, tujuan penelitian, pertimbangan desain penelitian, dan uji asumsi). Bagian kedua dari flowchart keputusan (tahap 4 sampai 6) berkaitan dengan estimasi model, interpretasi, dan validasi. Flowchart keputusan ini membantu peneliti dalam menerapkan pendekatan struktural model teknik multivariat. DATABASE Untuk menjelaskan dan menggambarkan setiap teknik multivariat secara lengkap, kita menggunakan data hipotetis. Data ini berasal dari industri HBAT (HBAT), sebuah pabrik kertas. Setiap data diasumsikan berdasarkan survei konsumen HBAT melalui situs Web yang dilakukan oleh lembaga peneliti pemasaran terkemukan. Lembaga penelitian ini menghubungi para manajer pembelian dan meminta mereka untuk berpartisipasi. Untuk melakukannya, manajer login ke Website dan mengisi survei. Data tersebut dilengkapi dengan informasi lain yang dibuat dan disimpan dalam data HBAT dan dapat diakses melalui sistemnya. Database Primer

Database primer, yang terdiri dari 100 observasi pada 18 variabel terpisah, didasarkan pada studi segmentasi pasar para konsumen HBAT. HBAT menjual produk kertas pada dua segmen pasar: industri kertas koran dan industri majalah. Produk kertas tersebut dijual secara langsung maupun lewat broker. Kedua jenis informasi ini dikumpulkan lewat survey. Jenis informasi pertama adalah persepsi kinerja HBAT pada 13 atribut. Atribut ini, yang dibuat melalui kelompok fokus, pretest, dan penelitian sebelumnya, dianggap paling berpengaruh dalam pemilihan pemasok dalam industri kertas. Respondennya termasuk para manajer pembeli di HBAT, dan manajer tersebut menilai HBAT pada 13 atribut yang menggunakan skala 0 10, dengan 10 adalah "Sangat Bagus" dan 0 menjadi "jelek. Jenis informasi kedua berkaitan untuk hasil pembelian dan hubungan bisnis (misalnya, kepuasan terhadap HBAT dan apakah perusahaan mau melakukan afiliasi atau partnership strategis dengan HBAT). Jenis informasi ketiga berkaitan dengan warehouse data HBAT dan termasuk informasi jumlah konsumen lamanya hubungan jual beli. Dengan menganalisis data tersebut, HBAT dapat mengembangkan pemahaman yang lebih baik mengenai karakteristik pelanggan dan hubungan antara persepsi mengenai HBAT, dan perlakuan terhadap HBAT (misalnya, kepuasan dan kemungkinan untuk membeli). Dari pemahaman pelanggan ini, HBAT akan berada dalam posisi yang baik untuk mengembangkan rencana pemasaran nya di tahun mendatang. Gambaran ringkas mengenai variabel database ditampilkan dalam Tabel 3, di mana variabel-variabelnya diklasifikasikan menjadi dependent dan independent, dan matrik dan nonmatrik.

VARIABEL KLASIFIKASI WAREHOUSE DATA. Setelah pengambilan sampel responden untuk dijadikan penelitian pemasaran perusahaan, ada lima variabel diektraksi dalam warehouse data HBAT untuk menunjukkan karakteristik dasar perusahaan dan hubungan bisnisnya dengan HBAT. Kelima variabel tersebut meliputi:

PERSEPSI TERHADAP HBAT. Setiap persepsi responden terhadap HBAT pada perangkat fungsi bisnis diukur dengan skala grafik, dimana garis 10 centiemter dibuat antar ujung dengan label buruk dan sangat baik, seperti yang nampak di bawah ini.

Sebagai bagian dari survey, para responden menyatakan persepsi mereka dengan menandai pada bagian garis. Tempat menandai dinilai secara elekronik dan jarak 0 (dalam centimeter) dicatat dalam database. Hasilnya kemudian dibuatkan skala dari 0 sampai 10, 13 atirbut dari HBAT yang dinilai oleh masing-masing reponden adalah sebagai berikut:

diantara re

HASIL PEMBELIAN. Lima ukuran khusus diperoleh yang menunjukkan hasi ldari hubungan pembelian responden dengan HBAT. Ukuran-ukuran tersebut meliputi: