PANDUAN PRAKTIKUM

ANALISIS MULTIVARIAT

Disusun Oleh:

Tim Dosen Pengampu

Asisten Praktikum 2017

LABORATORIUM KOMPUTASI DAN ANALISIS

SISTEM
JURUSAN TEKNOLOGI INDUSTRI PERTANIAN
FAKULTAS TEKNOLOGI PERTANIAN
UNIVERSITAS BRAWIJAYA
MALANG
2017
 2

DAFTAR ISI

I. ANALISIS DESKRIPTIF ........................................................................................... 3

II. ANALISIS FAKTOR (FACTOR ANALYSIS).............................................................. 6

III. ANALISIS KELOMPOK (CLUSTER ANALYSIS).................................................... 10

IV. ANALISIS MULTI DIMENSIONAL SCALING (MDS).............................................13

V. ANALISIS KONJOIN................................................................................................ 16

VI. PARTIAL LEAST SQUARE (PLS)............................................................................ 19

VII. GENERALIZED STRUCTURED COMPONENT ANALYSIS (GSCA)................ 29

MODUL ANALISIS MULTIVARIAT 2017

 3

I. ANALISIS DESKRIPTIF

Analisis deskriptif merupakan bagian dari statistik yang mengacu pada transformasi
dari data mentah kedalam penyajian data yang mudah di pahami. Pendeskripsian data
hasil observasi merupakan langkah awal dalam analisis. Analisis deskriptif berhubungan
dengan memberikan keterangan-keterangan mengenai suatu data. Penyajian data yang
paling umum dalam analisis deskriptif dapat dilakukan dengan perhitungan rata-rata,
distribusi frekuensi, dan distribusi persentase.
Data mempunyai kedudukan yang paling tinggi dalam penelitian, karena data
merupakan penggambaran variabel yang diteliti dan berfungsi sebagai alat pembuktian
hipotesis. Benar tidaknya data, sangat menentukan bermutu tidaknya hasil penelitian.
Sedang benar tidaknya data, tergantung dari baik tidaknya instrumen pengumpulan data.
Pengujian instumen biasanya terdiri dari uji validitas dan reliabilitas.

A. Uji Validitas
Validitas instrumen berhubungan dengan kesesuaian dan ketepatan fungsi alat ukur
yang digunakannya. Maka dari itu sebelum instrumen tersebut digunakan di lapangan
perlu adanya pengujian validitas terhadap instrument tersebut. Uji Validitas adalah
prosedur untuk memastikan apakah kuesioner yang akan dipakai untuk mengukur
variabel penelitian valid atau tidak. Tinggi rendahnya validitas instrumen akan
menunjukkan sejauh mana data yang terkumpul tidak menyimpang dari gambaran tentang
variabel yang dimaksud.
Kuesioner dikatakan valid apabila dapat mempresentasikan atau mengukur apa yang
hendak diukur (variabel penelitian). Dengan kata lain validitas adalah ukuran yang
menunjukkan kevalidan dari suatu instrumen yang telah ditetapkan. Kuesioner yang valid
harus mempunyai validitas internal dan eksternal. Validitas internal atau rasional, bila
kriteria yang ada dalam kuesioner secara rasional (teoritis) telah mencerminkan apa yang
diukur, sedangkan validitas eksternal bila kriteria didalam kuesioner disusun berdasarkan
fakta-fakta empiris yang telah ada (eksternal). Uji validitas dapat dilakukan menggunakan
software SPSS dengan melihat nilai Pearson Correlation Coeficient. Instrumen penelitian
dikatakan valid jika koefisien korelasi > r tabel. Nilai korelasi dapat pula dihitung dengan
menggunakan rumus perhitungan sebagai berikut:

Keterangan:

MODUL ANALISIS MULTIVARIAT 2017

 4

rxy = koefisien korelasi antara skor butir dengan skor total

n = jumlah responden
X = skor butir pada nomor butir ke i
Y = skor total responden

Langkah-langkah melakukan Uji Validitas dengan SPSS:

1. Buat skor total masing-masing data responden.
2. Klik Analyze Correlate Bivariate.

3. Pada kotak dialog Bivariate Correlation, masukkan seluruh item variabel dan Total
ke kotak Variables.

4. Pada Correlation Coefficients klik Pearson; pada Test of Significance klik Two
Tailed; dan klik Flag significant correlation.

5. Klik OK.

B. Uji Reliabilitas
Reliabilitas merupakan tingkat ketepatan, ketelitian, keakuratan atau konsistensi
sebuah instrumen. Reliabilitas data adalah indeks yang menunjukkan sejauh mana suatu
alat pengukur dipakai dua kali untuk mengukur gejala yang sama dan hasil pengukuran
yang diperoleh relatif sama dan hasil pengukuran yang diperoleh relatif konsisten, maka
alat ukur tersebut reliabel. Reliabilitas digunakan untuk mengukur aspek yang di ukur
beberapa kali hasilnya sama atau relatif sama.
Uji reliabilitas dapat dilakukan menggunakan software SPSS dengan melihat nilai
koefisien reliabilitas (Cronbachs Alpha). Jika nilai Cronbachs Alpha > 0,6 maka
instrumen memiliki reliabilitas yang baik. Nilai Cronbachs Alpha berada pada rentang 0-
1, semakin tinggi nilai koefisien reliabilitas, maka instrumen semakin dapat diandalkan.
Nilai reliabilitas dapat pula dihitung dengan menggunakan rumus perhitungan sebagai
berikut:

Keterangan:
= koefisien reliabilitas
k = jumlah butir pertanyaan
= varian butir pertanyaan

= varian skor total

Langkah-langkah melakukan Uji Validitas dengan SPSS:

MODUL ANALISIS MULTIVARIAT 2017

 5

1. Klik Analyze - Correlate - Bivariate

2. Pada kotak dialog Bivariate Correlation, masukkan seluruh item variabel
dan Total ke kotak Variables.
3. Pada Correlation Coefficients klik Pearson; pada Test of Significance
klik Two Tailed; dan klik Flag significant correlation.
4. Klik OK.

Langkah-langkah melakukan Uji Reliabilitas dengan SPSS:

1. Klik Analyze Scale Reliability analysis.
2. Pada kotak dialog Reliability analysis, masukkan seluruh item variabel ke kotak
Items.

3. Klik Statistic. Pada Descriptives for, klik Scale if item Continue.

4. Klik OK.

TUGAS :
1. Buatlah studi kasus analisis deslriptif pada suatu perusahaan !
2. Tulislah variabel operasinal yang ada pada variabel tersebut !
3. Tuliskan langkah-langkah uji validitas dan reliabilitas pada analisis deskriptif
dengan SPSS!
4. Tentukan karakteristik responden dari masing-masing karakteristik !
5. Buatlah uji validitas dan realibilitas untung analisis klaster dan faktor !
6. Buatlah uji validitas dan reliabilitas masing-masing produk pada analisis MDS !
7. Buatlah uji validitas dan reliabilitamasing-masing produk pada analisis konjoin !

MODUL ANALISIS MULTIVARIAT 2017

 6

II. ANALISIS FAKTOR (FACTOR ANALYSIS)

Analisis faktor adalah salah satu teknik statistika multivariat yang digunakan
untuk meringkas (data summarization) dan mereduksi data (data reduction) sejumlah
besar variable ke dalam jumlah yang lebih kecil atau disebut faktor (Hidayat dan Istiadah,
2011). Data summarization yaitu mengidentifikasi adanya hubungan antar variabel
dengan melakukan uji korelasi, sedangkan data reduction adalah setelah melakukan
korelasi, dilakukan proses membuat sebuah variabel set baru yang dinamakan faktor
untuk menggantikan sejumlah variabel tertentu (Santoso, 2010). Menurut Supranto dalam
Dwipurwani dkk (2009), analisis faktor adalah prosedur yang digunakan untuk mereduksi
data atau peubah yang masih memuat sebagian informasi yang terkandung di dalam
peubah asli. Analisis faktor adalah salah satu metode statistic multivariate yang mencoba
menerangkan hubungan antar sejumlah peubah-peubah yang saling independen antara
satu dengan yang lain sehingga bisa dibuat satu atau lebih kumpulan peubah yang lebih
sedikit dari jumlah peubah awal.

Fungsi / Kegunaan Analisis Faktor

Analisis faktor memiliki fungsi penting dalam pengembangan alat ukur. Beberapa
fungsi tersebut antara lain sebagai berikut (Tenaya, 2012):
a) Pengujian Dimensionalitas Pengukuran
Dimensionalitas pengukuran adalah banyaknya atribut yang diukur oleh sebuah
alat ukur. Alat ukur yang unidimensi mengukur satu atribut psikologis saja sedangkan
alat ukur yang multidimensi mengukur lebih dari satu atribut ukur. Untuk mengetahui
apakah alat ukur yang dikembangkan oleh peneliti mengukur satu atribut atau banyak
atribut diperlukan analisis faktor.
b) Pengujian Komponen atau Aspek dalam Alat Ukur
Untuk mengidentifikasi apakah aitem-aitem yang diturunkan dari komponen alat
ukur mewakili komponen tersebut maka diperlukan analisis faktor. Analisis faktor juga
dapat menunjukkan apakah antar komponen memiliki keterkaitan ataukah tidak
(independen).

Tujuan Analisis Faktor

Tujuan utama analisis faktor adalah untuk menjelaskan struktur hubungan di
antara banyak variabel dalam bentuk faktor atau vaiabel laten atau variabel bentukan.
Faktor yang terbentuk merupakan besaran acak (random quantities) yang sebelumnya

MODUL ANALISIS MULTIVARIAT 2017

 7

tidak dapat diamati atau diukur atau ditentukan secara langsung. Selain tujuan utama
analisis faktor, terdapat tujuan lainnya adalah (Widhiarso, 2009):
1. Tujuan pertama untuk mereduksi sejumlah variabel asal yang jumlahnya banyak
menjadi sejumlah variabel baru yang jumlahnya lebih sedikit dari variabel asal, dan
variabel baru tersebut dinamakan faktor atau variabel laten atau konstruk atau variabel
bentukan..
2. Tujuan kedua adalah untuk mengidentifikasi adanya hubungan antarvariabel penyusun
faktor atau dimensi dengan faktor yang terbentuk, dengan menggunakan pengujian
koefisien korelasi antarfaktor dengan komponen pembentuknya. Analisis faktor ini
disebut analisis faktor kofirmatori.
3. Tujuan ketiga adalah untuk menguji validitas dan reliabilitas instrumen dengan analisis
faktor konfirmatori.
4. Tujuan keempat salah satu tujuan analisis faktor adalah validasi data untuk mengetahui
apakah hasil analisis faktor tersebut dapat digeralisasi ke dalam populasinya, sehingga
setelah terbentuk faktor, maka peneliti sudah mempunyai suatu hipotesis baru
berdasarkan hasil analisis faktor.

Jenis analisis faktor

Dalam analisis faktor pun demikian. Ada dua alternatif yang dapat kita pilih. Kita
menentukan sendiri berapa faktor didalam data kita (analisis faktor konfirmatori) atau
memilih menanyakan berapa faktor dari data kita sebenarnya (analisis faktor
eksploratori). Berikut ini akan diperjelas masing-masing jenis analisis faktor tersebut
yaitu (Widhiarso, 2009):
a) Analisis Faktor Eksploratori (Exploratory Factor Analysis)
Seorang peneliti membuat seperangkat aitem yang mengukur kualitas pelayanan bank.
Item tersebut merupakan operasionalisasi dari teori dan indikator mengenai kualitas
layanan. Peneliti hendak mengidentifikasi berapa faktor yang ada di dalam seperangkat
item tersebut. Dari analisis faktor kemudian didapatkan ada 4 faktor yang
menggambarkan kualitas layanan bank, antara lain faktor fitur layanan, fasilitas gedung,
keramahan karyawan, serta jaminan keamanan.
b) Analisis Faktor Konfirmatori (Confirmatory Factor Analysis).
Seorang peneliti merancang sebuah alat ukur mengenai dukungan sosial. Alat ukur
tersebut berisi seperangkat aitem yang diturunkan dari lima dimensi dukungan sosial.
Peneliti berusaha memastikan apakah alat ukur yang dibuatnya benar-benar menjelaskan
kelima dimensi tersebut. Ia kemudian melakukan analisis faktor konfirmatori. Hasil dari
analisis faktor menunjukkan bahwa pembagian kelima faktor akhirnya dibuktikan.

MODUL ANALISIS MULTIVARIAT 2017

 8

Langkah-langkah yang dilakukan dalam analisis faktor adalah sebagai berikut

(Santoso, 2010) :
1. Menentukan variabel apa saja yang akan dianalisis
2. Menguji variabel-variabel yang telah ditentukan dengan metode (Bartlett test of
sphericity) serta pengukuran MSA (Measure of Sampling Adequacy). Pada tahap
awal analisis faktor ini, dilakukan penyaringan terhadap sejumlah variabel,
sehingga didapat variabel-variabel yang memenuhi syarat untuk dianalisis.
3. Setelah sejumlah variabel yang memenuhi syarat didapat, kegiatan berlanjut ke
proses inti pada analisis faktor, yaitu factoring. Proses ini akan mengeskstrak satu
atau lebih faktor dari variabel-variabel yang telah lolos pada uji variabel
sebelumnya.

Adapun metode analisis faktor ini memiliki beberapa kelebihan diantaranya adalah
sebagai berikut :

Kelebihan
Berikut merupakan kelebihan dari analisis faktor (Wibisono, 2003):
1. Bisa mendiskripsikan hubungan pada data yang jumlahnya relatif besar
2. Bisa digunakan untuk melakukan validasi
3. Mampu menghitung korelasi antar variabel-variabel manifest yang akan
membentuk variabel laten yang lebih sedikit
4. Mampu menyederhanakan hubungan yang kompleks dan beragam di antara
sekumpulan variabel penelitian yang diamati.

Langkah Langkah Analisis Faktor dengan Menggunakan Software SPSS

1. Copy data dari Ms. Excel pada Data View

2. Pada variable view ganti nama sesuai data (x1,x2,x3,x4, . ,x10)
3. Klik Analyze klik Dimension Reduction dan pilih factor
4. Masukkan semua variabel (x1,x2,x3,x4, . ,x10) ke kotak variabel Solution,
pada pilihan matrix centang () Coefficient, Determinant, KMOS & Barlett Test
serta Anti Image Continue
5. Klik Extraction, pilihan extract pastikan Based on Eigen Value tercentang dan
nilainya 1 klik Continue
6. Klik Rotation, centang Varimax klik Continue
7. Klik Scores, centang Save As Variables dan centang Display Factor Coeffisient
Matrix klik Continue klik OK

TUGAS :

1. Buatlah studi kasus analisis faktor yang terjadi pada suatu perusahan !
2. Tulislah variabel operasional yang ada pada studi kasus tersebut !

MODUL ANALISIS MULTIVARIAT 2017

 9

3. Tuliskan langkah langkah analisis faktor dengan SPSS !

4. Tulis hasil dari tabel Anti Image Matrix dan interpretasikan hasil tersebut !
5. Tulis hasil dari tabel Communalities dan interpretasikan hasil tersebut !
6. Tulis hasil dari tabel Total Varian Explained dan interpretasikan hasil tersebut !
7. Tulis hasil dari tabel Component Matrix dan interpretasikan hasil tersebut !
8. Tulis hasil dari tabel KMO and Barletts Test dan interpretasikan hasil tersebut !

MODUL ANALISIS MULTIVARIAT 2017

 10

III. ANALISIS KELOMPOK (CLUSTER ANALYSIS)

Menurut Frida (2004), analisis kelompok merupakan salah satu teknik multivariat
metode interdependensi (saling ketergantungan). Oleh karena itu, dalam analisis
kelompok tidak ada pembedaan antara variabel bebas (independent variable) dan variabel
terikat (dependent variable). Menurut Pravitasari (2009), analisis cluster lebih
menitikberatkan pada struktur dan metode pengelompokkan. Tujuan pokok dari analisis
kelompok adalah untuk mengelompokkan objek pengamatan menjadi beberapa kelompok
adalah untuk mengelompokkan objek pengamatan menjadi beberapa kelompok yang
lebih sederhana berdasarkan tingkat kehomogenan objek pengamatan.
Menurut Sulistyowati (2008), konsep dasar pengukuran analisis cluster adalah
konsep pengukutan jarak (distance) dan kesamaan (similarity). Distance adalah ukuran
tentang jarak pisah antar objek sedangkan similarity adalah ukuran kedekatan. Konsep ini
penting karena pengelompokkan pada analisis cluster didasarkan pada kedekatan.
Pengukuran jarak (distance type measure) digunakan untuk data bersifat metrik
(kuantitatif), sedangkan pengukuran kesesuaian (matching type measure) digunakan
untuk data yang bersifat nonmetrik (kualitatif).
Dalam analisis kelompok (cluster), pengelompokkan observasi ke dalam kelompok
dilakukan dengan menggunakan teknik-teknik yang berawal dari kemiripan antar semua
pasangan observasi. Kemiripan ini didasarkan pada beberapa ukuran jarak. Selain itu,
pengelompokkan juga dapat menggunakan variabel kelompok yang kemiripannya
didasarkan pada matriks korelasi (Supranto, 2004). Terdapat banyak metode untuk
mengelompokkan observasi ke dalam kelompok dalam analisis kelompok ini. Secara
umum menurut Sitepu (2011), metode pengelompokkan dalam analisis kelompok
dibedakan menjadi metode hirarki (Hierarchical Clustering Method) dan metode non
hirarki (Nonhierarchical Clustering Method). Yanti (2012) menjelaskan bahwa prosedur
hirarki menyangkut pembentukan struktur hirarki atau disebut juga dengan struktur
pohon. Kebalikan dari metode hirarki, prosedur pengklasteran non hirarki sering kali
disebut k-means clustering. Konsep dasar dalam analisis cluster, meliputi:

1. Menentukan ukuran ketakmiripan antara kedua objek

Proses pertama yaitu mengukur seberapa jauh ada kesamaan antar objek. Dengan
memiliki sebuah ukuran kuantitatif untuk mengatakan dua objek tertentu lebih
mirip dibandingkan dengan objek lain akan mempermudah proses clustering. Jarak
yang dapat digunakan adalah jarak pearson correlation.
2. Membuat cluster

MODUL ANALISIS MULTIVARIAT 2017

 11

Pada analisis pengelompokkan hirarki dianggap bahwa mula-mula tiap objek

merupakan suatu kelompok tersendiri, lalu dua objek atau kelompok yang terdekat
digabungkan sehingga menjadi suatu kelompok yang lebih kecil (Sitepu, 2011).
Menurut Rancher (2002), teknik analisis hirarki terdiri atas dua metode yaitu
a)
Agglomerative (penggabungan) dimana masing masing objek dianggap satu
kelompok kemudian antar kelompok yang jaraknya berdekatan bergabung menjadi
satu kelompok dan b)Divise (pemecahan) dimana pada awalnya semua objek berada
dalam satu kelompok kemudian sifat paling beda dipisahkan dan membentuk suatu
kelompok yang lain. Terdapat empat metode agglomerative yang sering digunakan,
antara lain:
a) Pautan Tunggal (Single Linkage)
Pada setiap langkah di-aglomerasikan satu tambahan observasi untuk
membentuk sebuah cluster, sehingga anggota cluster pertama adalah dua
observasi yang mempunyai jarak terpendek berikutnya, ditambahkan pada
cluster dua observasi untuk membentuk cluster tiga observasi. Algoritma
tersebut berlanjut hingga semua observasi berada dalam satu cluster. Apabila
jarak antara observasi U dengan V dilambangkan dengan d UV dan keduanya
merupakan anggota dari suatu cluster, maka jarak cluster tersebut dengan
cluster atau observasi lain dapat ditentukan sebagai berikut (Gudono, 2011):
d(UV)W = min {dUW,dVW}
b) Pautan Lengkap (Complete Linkage)
Metode ini memiliki algoritma yang sama dengan pautan tunggal tetapi
pengelompokannya berdasarkan jarak maksimum bukan jarak minimum. Jarak
antara satu cluster dengan cluster atau observasi lain digambarkan sebagai
berikut (Supranto, 2010):
d(UV)W = max {dUW,dVW}
c) Pautan Rata-rata (Average Linkage)
Pada metode ini digunakan jarak rata-rata dari sampel pada suatu cluster
terhadap sampel pada cluster yang lain. Penghitungan jarak antar cluster
adalah dengan menggunakan persamaan:
d(UV)W = rata-rata{dUW,dVW}
Dengan dUW merupakan jarak rata-rata dari U dan W, demikian pula dengan
dVW merupakan jarak rata-rata dari V dan W (Supranto, 2010).
d) Metode Ward
Metode ini berbeda dari metode-metode sebelumnya karena menggunakan
pendekatan analisis varians untuk mengevaluasi jarak antar cluster. Metode ini
berusaha untuk meminimumkan jumlah kuadrat (sum of squares) dari dua
cluster yang dapat dibentuk pada setiap tahap (Gudono, 2011).
3. Terbentuk cluster

MODUL ANALISIS MULTIVARIAT 2017

 12

Sitepu (2011) menyatakan bahwa hasil cluster yang terbentuk dapat diketahui baik
dengan menggunakan metode cluster hirarki maupun cluster non hirarki

Langkah-langkah analisis klaster dengan SPSS :

1. Mengetahui Klaster yang terbentuk

a. Copy data dari Ms. Excel dimulai dari data nama hingga data Xb (tanpa judul
kolom) ke tab data view pada SPSS.
b. Ubah Label / nama pada tab variable view
c. Klik Analyze Classify Hierarchical Cluster
d. Masukkan nama pada label dan variabel lain ke variable
e. Klik Statistic Agglomerative Proximity
f. Klik plots dendogram
g. Klik save none
h. Untuk mengetahui hasil grafik dendogram, klik dendogram
2. Mengetahui anggota klaster
a. Klik analyze classify hierarchical cluster single solution 2
b. Klik save single solution (2) OK
c. Untuk melihat hasil, klik cluster membership
3. Mengetahui jumlah anggota klaster 1 maupun 2
a. Klik analyzecompare means means
b. Masukkan variabel ke dependent list dan average ke independent
c. Untuk melihat hasil klik report

TUGAS :
1. Buatlah studi kasus analisis klaster yang terjadi pada suatu perusahan !
2. Tulislah variabel operasional yang ada pada studi kasus tersebut !
3. Tuliskan langkah langkah analisis faktor dengan SPSS !
4. Tulis hasil dari dendogram dan interpretasikan hasil tersebut !
5. Tulis hasil dari tabel Cluster Membership dan interpretasikan hasil tersebut !
6. Tulis hasil dari tabel Report dan interpretasikan hasil tersebut !

IV. ANALISIS MULTI DIMENSIONAL SCALING (MDS)

Multi Dimensional Scaling (MDS) merupakan salah satu analisis multivariat
interdependensi yang biasa disebut dengan perceptual map (peta persepsi). Teknik ini
memiliki konsep dasar pemetaan untuk menggambarkan posisi sebuah objek
dibandingkan dengan objek lain. Variabel-variabel yang digunakan dalam analisis ini
tidak bergantung antar satu dengan yang lainya yaitu bersifat independen (Santoso, 2009).
MDS dibagi menjadi dua yaitu MDS berdasarkan atribut dan non atribut. Peta persepsi
berbasis atribut memberikan peringkat merk pada sejumlah atribut. Peta persepsi non
atribut menilai kesamaan sejumlah merk dan memberikan preferensi pada sejumlah merk.
Kesamaan dapat diukur dengan meranking, menggunakkan skala numerik,
mengelompokkan secara subjektif, membandingkan pasangan dan mengukur perilaku
secara langsung.

MODUL ANALISIS MULTIVARIAT 2017

 13

Secara umum MDS digunakan untuk menentukan dimensi penting yang

digunakan responden dalam mengevaluasi objek, berapa banyak dimensi yang
dipertimbangkan pada situasi tertentu, kepentingan relatif setiap dimensi dan persepsi
hubungan antar objek. Tujuan analisis MDS adalah melakukan penilaian pelanggan
terhadap kemiripan atau preferensi terhadap merek. Penggunaan dalam bidang pemasaran
untuk mengidentifikasi jumlah atau sifat dimensi yang digunakan pelanggan dalam
mempersepsikan merek yang berbeda di pasar, menentukan positioning merek-merek
berdasarkan dimensi tertentu dan menentukan positioning merk ideal pelanggan
berdasarkan dimensi tertentu (Malhotra, 2004).
Langkah-langkah dalam analisis MDS sebagai berikut (Nasution dkk., 2008):
a. Formulasi permasalahan MDS yaitu menentukan tujuan penggunaan hasil MDS dan
memilih stimuli atau merek minimal 8 stimuli dan maksimal 25 stimuli. Penggunaan
lebih dari 25 stimuli akan tidak efektif dan membuat responden bosan.
b. Penentuan bentuk data input yang diperoleh dari responden dapat berhubungan dengan
persepsi dan preferensi. Pengambilan data dapat dilakukan melalui beberapa cara yaitu
melalui pendekatan langsung, tidak langsung dan data preferensi. Pendekatan
langsung dilakukan dengan meminta responden untuk menentukan kemiripan atau
ketidakmiripan berbagai merek, biasanya menggunakan skala Likert. Pendekatan tidak
langsung merupakan pendekatan berbasis atribut yang mengharuskan responden untuk
menilai merk atau stimuli berdasarkan atribut yang sudah diidentifikasi menggunakan
skala semantik diferensial atau skala Likert. Data preferensi menghasilkan urutan
merek atau stimuli dalam hal preferensi responden untuk beberapa properti. Cara yang
paling umum digunakan adalah melalui rangking preferensi yaitu responden diminta
untuk meranking merk-merk dari yang paling disukai sampai paling tidak disukai.
c. Pemilihan sebuah prosedur yaitu metrik dan nonmetrik. Prosedur metrik yaitu yaitu
diasumsikan bahwa data input adalah kualitatif (interval dan rasio). Prosedur metrik
tidak mempermasalahkan apakah data input merupakan jarak yang sebenarnya
ataupun tidak. Pada dasarnya prosedur metrik mengubah input metrik dalam bentuk
geometrik sebagai outputnya. Prosedur nonmetrik yaitu diasumsikan bahwa data input
merupakan data kualitatif (nominal dan ordinal) tetapi menghasilkan output metrik.
d. Penentuan jumlah dimensi untuk spatial map. Kesesuaian sebuah solusi MDS diukur
berdasarkan ukuran stress. Stress adalah ukuran lack of fit, semakin besar nilai stress
maka semakin tingginya lack of fit. Hal-hal yang perlu dipertimbangkan dalam
penentuan dimensi yang tepat antara lain teori masa lalu, kemampuan spatial map
untuk diinterpretasikan, elbow criterion dan kemudahan penggunaan.
e. Pemberian label sumbu-sumbu yang ada dan mengintrepretasikan konfigurasi yang
dihasilkan. Kondisi tertentu, sebuah dimensi dapat mewakili lebih dari 1 atribut.

MODUL ANALISIS MULTIVARIAT 2017

 14

f. Penilaian kualitas dari hasil yang diperoleh melalui uji reliabilitas dan validitas yaitu
dengan melalui pengujian indeks kesesuaian (R-square) dan nilai stress. Nilai R-
square yang dapat diterima adalah lebih dari 0,6. Nilai stress dapat dievaluai dengan
rumus stress Kruskal. Rumus stress Kruskal dapat dilihat pada Tabel 3.1 (Malhotra,
2004):
Tabel 3.1 Panduan Evaluasi Nilai Stress
Stress (%) Goodness of fit
20 Rendah
10 Sedang
5 Bagus
2,5 Bagus sekali
0 Sempurna

Langkah-langkah Analisis Multi Dimensional Scalling dengan SPSS :

1. Hitung nilai rata-rata nilai dari masing-masing atribut pada tiap merek yang
diteliti.
2. Buat tabel persepsi konsumen dari hasil rata-rata :

Merk Atribut Merek A Merek B Merek C Merek D

XI
X2

Xn

3. Pada SPSS, variabel view diganti tiap variabel dengan nama merek.
4. Masukkan data rata-rata pada data view.
5. Klik Analyze Scale Multidimensional Scalling (ALSCAL).
6. Pada kotak dialog Multidimensional Scalling (ALSCAL), masukkan semua
merek ke dalam kotak Variable.
7. Pada Distance pilih menu Data are Distances. Pada Shape pilih Rectanguler.
8. Pada Model yang Level of Measurement pilih Ratio dan Conditionality pilih Row.
Pada Scalling Model pilih Euclidean Distance. Continue.
9. Klik Option, pada Display pilih Group Plot. Continue.
10. Ok.

TUGAS :
1. Buatlah studi kasus analisis MDS yang terjadi pada suatu perusahaan
2. Tulislah variabel operasional yang ada pada studi kasus tersebut !
3. Tuliskan langkah langkah analisis MDS dengan SPSS !
4. Tuliskan hasil dari iterasi dan interpretasikan hasil tersebut !
5. Tuliskan hasil dari Matrix dan interpretasikan hasil tersebut !
6. Tuliskan hasil dari Stimulus Coordinates dan interpretasikan hasil tersebut!

MODUL ANALISIS MULTIVARIAT 2017

 15

7. Tuliskan hasil dari Derived Stimulus Configuration dan interpretasikan hasil

tersebut!
8. Tuliskan hasil dari Scattler Plot of Linear Fit dan interpretasikan hasil tersebut!

MODUL ANALISIS MULTIVARIAT 2017

 16

V. ANALISIS KONJOIN
Sejak kemunculannya pada pertengahan tahun 1970, penerimaan publik terhadap
Analisis Konjoin semakin baik. Kenyataan ini dikarenakan keunikan metode Konjoin
yang tidak dimiliki oleh metode analisis multivariat lainnya yaitu mampu membuat
taksiran model (profil produk) untuk memprediksi preferensi tiap-tiap responden. Sebagai
salah satu teknik Multivariate Dependence Method, Analisis Konjoin sengat cocok untuk
memehami reaksi konsumen serta membuat evaluasi terhadap kombinasi dari atribut-
atribut produk sehingga bisa ditentukan produk yang potensial untuk dikembangkan.
Analisis konjoin adalah suatu teknik analisis yang dapat digunakan untuk
menentukan tingkat kepentingan relatif berdasarkan persepsi pelanggan yang dibawa oleh
suatu produk tertentu dan nilai kegunaan yang muncul dari atribut atribut produk terkait.
Untuk menentukan strategi pemasaran, analisis conjoint ini tepat dan baik. Bahkan pada
tataran yang lebih tinggi bisa dipakai untuk segmentasi pasar berdasarkan preferensi
konsumen terhadap atribut produk yang dipilihnya. Filosofi dari teknik analisis ini ialah
setiap stimulus apa saja yang bisa berupa produk, merek atau barang yang dijual dipasar
akan dievaluasi oleh konsumen sebagai suatu kumpulan atribut-atribut tertentu. Oleh
karena itu, teknik ini sangat bermanfaat dalam pemasaran untuk mengetahui preferensi
konsumen terhadap suatu produk yang diluncurkan di pasar.
Kegunaan analisis konjoin bagi perusahaan adalah sebagai berikut :
1. Menentukan kepentingan relatif setiap atribut produk sesuai pilihan konsumen
2. Menentukan produk dengan sejumlah atribut yang optimum
3. Memperkirakan market share produk sejenis
4. Mengidentifikasi segmentasi pasar dari produk
5. Mengevaluasi implikasi perubahan keputusan marketing mix
Analisis konjoin termasuk dalam metode multivariat dependen. Adapun model
analisis konjoin adalah sebagai berikut
Y1= X1 + X2 + X3 + + Xn
Dimana: X = Metrik/non-metrik dan Y = metrik
Variabelin dependen (X1 dan seterusnya) adalah faktor, yang berupa data
non-metrik (misalkan rasa minuman sari buah, model ponsel dan
sebagainya)
Variabel dependen (Y1) adalah pendapat keseluruhan dari responden
terhadap sejumlah faktor dari level sebuah produk. Variabel ini juga
mancakup sejumlah tingkat kepentingan faktor seorang responden
terhadap atribut suatu produk.
Dalam pemasaran,teknik analisis konjoin biasanya digunakan untuk hal-hal sebagai
berikut:

MODUL ANALISIS MULTIVARIAT 2017

 17

1. Menentukan tingkat kepentingan relatif atribut-atribut pada proses pemilihan

yang dilakukan oleh konsumen.
2. Membuat estimasi pangsa pasar suatu produk tertentu yang berbeda tingkat
atributnya.
3. Untuk menentukan komposisi produk yang paling disukai oleh konsumen.
4. Untuk membuat segmentasi pasar yang didasarkan pada kemiripan preferensi
terhadap tingkat-tingkat atribut.
Manfaat yang dapat diambil dari penggunaan analisis konjoin ini adalah produsen
dapat mencari solusi kompromi yang optimal dalam merancang atau mengembangkan
suatu produk. Analisis ini dapat juga dimanfaatkan untuk:
1. Merancang harga
2. Memprediksi tingkat penjualan atau penggunaan produk (market share), uji coba
konsep produk baru.
3. Segmentasi preferensi
4. Merancang strategi promosi
Proses dasar yang dapat dilakukan untuk melakukan analisis konjoin pada suatu
permasalahan:
1. Menentukan faktor dan level sebagai atribut spesifik sebuah objek
Identifikasi atribut dapat dilakukan melalui diskusi dengan pakar, dapat
juga melalui eksplorasi data sekunder atau melakukan penelitian pendahuluan.
Setelah atribut ditentukan, kemudian dibuat taraf/level dari masing-masing
atribut. Jumlah atribut yang akan dievaluasi dalam analisis konjoin maksimum 7
atribut dengan taraf masing-masing berkisar 2 hingga 4.
2. Mendesain stimuli
Ada dua pendekatan yang sering digunakan, yaitu :
a. Kombinasi berpasangan (Pairwise Combination)
Pendekatan melalui kombinasi berpasangan atau disebut juga evaluasi
dua faktor (Two Factors Evaluations), pada pendekatan ini responden diminta
untuk mengevaluasi pasangan pasangan atribut secara bersamaan. Bila ada
sejumlah p atribut berarti jumlah pasangan yang dievaluasi ada p(p-1)/2
pasangan.
b. Kombinasi lengkap (Full Profile)
Kombinasi ini baik digunakan saat atibut dan taraf atribut tidak terlalu
banyak. Jika ada sejumlah n atribut. Kombinasi atribut dapat dikurangi dengan
Fractional Factorial Design, dimana metode ini mereduksi kombinasi yang tidak
realistis agar mudah dalam mengevaluasi.
3. Mengumpulkan pendapat responden
1) Data Nonmetrik: responden disuruh mengurutkan stimuli dari urutan 1 untuk
slimuli yang paling disukai sampai urutan terakhir untuk stimuli yang paling
tidak disukai

MODUL ANALISIS MULTIVARIAT 2017

 18

2) Data Metrik: responden diminta untuk memberi nilai pada masing-masing

stimuli, dengan cara sebagai berikut:
i. Menggunakan skala lickert mulai dari 1 hingga 9 (1 = Paling tidak disukai,9
= Paling disukai).
ii. Menggunakan nilai ranking terbalik, artinya untuk stimuli yang paling
disukai diberi nilai tertinggi setara dengan jumlah stimulinya, sedangkan
stimuli yang paling tidak disukai diberi nilai 1.
4. Melakukan proses konjoin dengan memasukkan sejumlah data untuk mengetahui
dan memprediksi keinginan/preferensi responden terhadap produk yang diteliti.
Secara umum model dasar analisis konjoin dapat dituliskan dalam bentuk:

dimana:
U(X) = Utility total
ij = Part worth atau nilai kegunaan dari atribut ke-i taraf ke-j.
kI = Taraf ke-j dari atribut ke-i
m = Jumlah atribut
xij = Dummy variable atribut ke-i taraf ke-j. (bernilai 1 bila taraf yang berkaitan
muncul dan 0 bila tidak )
5. Menentukan ketepatan prediksi (Predictive Accurancy) dari hasil analisis konjoin

MODUL ANALISIS MULTIVARIAT 2017

 19

Langkah-langkah analisis konjoin:

1. Menentukan faktor dan level sebagai atribut spesifik sebuah objek
2. Mendesain stimuli
Buka SPSS, Klik Data ---- Pilih Ortoghonal Design ---- Generate
Pada Tabel Generate Orthogonal Design, isi kolom Factor Name dan Factor
Level
Lalu klik Add
Kemudian Double Klik variable(?) lalu klik Define Value
Pada Tabel Generate Design: Define Value, isi label Value dan Label ---
Klik Continue
Klik Create New Data File ---- Klik File ---- Isi Reset random number seed to
---- OK

Kemudian menampilkan hasil stimuli dengan cara:

Klik Data --- Pilih Ortoghilah Design ---- Pilih Display
Masukkan atribut kedalam tabel Factors ---- Klik Listing for experimenter,
Profules fro subjects
Klik OK

3. Melakukan proses konjoin dengan memasukkan sejumlah data dari hasil

kuesioner
Buka SPSS ---- Pilih File ---- New ---- Data
Pada Variable view isi variabel dengan nama card1-cardn . n=jumlah stimuli
Pada Data View isi kolom card dengan data rangking hasil kuesioner
Kemudian disimpan dengan pilih File ---- Save As
Selanjutnya, pilih File ---- New ---- Syntax
Isi Syntax
Klik Run

Tugas

1. Analisa kepentingan relatif dari produk sabun sesuai dengan atribut produk
berdasarkan persepsi pelanggan menggunakan software SPSS!
2. Bandingkan dengan analisa dengan cara manual!
3. Interpretasikan hasil analisa anda!

MODUL ANALISIS MULTIVARIAT 2017

 20

VI. PARTIAL LEAST SQUARE (PLS)

Partial Least Square (PLS) merupakan teknik terbaru setelah Structural
Equation Modelling (SEM). PLS merupakan teknik analisis multivariat yang digunakan
untuk memproyeksikan hubungan linear antar variabel-variabel pengamatan (Handayani
dkk, 2012). Keuntungan dari PLS diantaranya (Latan dan Ghozali, 2012) :
1. Mampu menghandel model yang kompleks dengan multiple variabel eksogen dan
endogen yang memiliki banyak indikator.
2. Hasil tetap robust walaupun terdapat data noise dan data missing.
3. Dapat menghendel konstruk dengan indikator reflektif maupun formatif.
4. Dapat digunakan dalam jumlah sampel yang kecil.
5. Tidak mensyaratkan data berdistribusi normal.
PLS adalah metode SEM berbasis varian yang didesain untuk menyelesaikan
persoalan yang tidak dapat dilakukan oleh SEM seperti jumlah sampel kecil, data tidak
berdistribusi normal, adanya missing values, dan adanya masalah multikolonieritas antar
variabel eksogen (Latan dan Ghozali, 2012). Perbedaan antara PLS dan SEM dapat
dilihat pada Tabel 2.1.
Tabel 2.1 Perbedaan PLS dan SEM
Kriteria PLS SEM

Tujuan Mengembangkan atau Mengkonfirmasi atau menguji

membangun teori teori

Spesifikasi model Indikator dapat berbentuk reflektif Indikator hanya berbentuk

pengukuran dan formatif reflektif

Model structural Model dengan kompleksitas besar Model dengan kompleksitas

dengan banyak konstruk dan kecil dan menengah (model
banyak indikator (hanya dapat berbentuk recusive dan
berbentuk recusive) non-recusive)

Persyaratan dasar Tidak mensyaratkan dasar teori Mensyaratkan dasar teori yang
teori yang kuat kuat

Distribusi asumsi Tidak mensyaratkan data Data harus berdistribusi normal

berdistribusi normal

Jumlah sampel 10 sampel tiap jalur untuk model Minimal 100-150

yang kompleks

Sumber : Latan dan Ghozali (2012)

Pada dasarnya, tujuan dari PLS adalah menguji teori yang lemah dan data yang
lemah seperti jumlah sampel yang kecil atau adanya masalah normalitas data,
memprediksikan pengaruh variabel X (variabel eksogen) terhadap Y (variabel endogen)
dan menjelaskan hubungan teoritikal di antara kedua variabel tersebut (Abdi, 2003).

MODUL ANALISIS MULTIVARIAT 2017

 21

Selain dapat digunakan untuk mengembangkan hubungan antar variabel yang landasan
teorinya lemah, PLS juga dapat digunakan untuk konfirmasi teori (Solimun, 2011).
PLS juga dikembangkan untuk perancangan model statistik yang mempunyai
model lemah atau indikator yang tersedia memenuhi model pengukuran reflektif, formatif
dan rekursif (gabungan). Setelah memenuhi salah satu model pengukuran maka data
dapat diestimasi, estimasi parameter yang didapat dengan PLS dapat dikategorikan
menjadi tiga yaitu weight estimate, path estimate, dan berkaitan dengan means dan lokasi
parameter (nilai konstanta regresi) untuk indikator dan variabel laten. Didalam estimasi
juga terdapat blok-blok yang memisahkan variabel laten dan indikator-indikatornya
(Ghozali, 2008).
Dalam metode PLS terdapat kemungkinan penelitian menggunakan indikator
bersifat :
1. Indikator Formatif
Indikator formatif adalah konstruk yang dibentuk oleh indikator-indikatornya. Arah
indikatornya yaitu dari indikator ke konstruk seperti pada Gambar 2.1 (Latan dan
Ghozali, 2012). Ciri-ciri model indikator formatif adalah (Solimun, 2011) :
a. Arah hubungan kausalitas seolah-olah dari indikator ke variabel laten.
b. Antar indikator diasumsikan tidak berkorelasi (tidak diperlukan uji konsistensi
internal atau Alpha Cronbach).
c. Menghilangkan satu indikator berakibat merubah makna dari variabel laten.
d. Kesalahan pengukuran diletakkan pada tingkat variabel laten (zeta).

Gambar 2.1 Indikator Formatif

2. Indikator Reflektif
Indikator reflektif adalah konstruk yang membentuk indikator-indikatornya. Arah
indikatornya yaitu dari konstruk ke indikator seperti pada Gmbar 2.2 (Latan dan
Ghozali, 2012). Ciri-ciri model indikator reflektif adalah (Solimun, 2011) :
a. Arah hubungan kausalitas seolah-olah dari variabel laten ke indikator.

MODUL ANALISIS MULTIVARIAT 2017

 22

b. Antar indikator saling berkorelasi (memiliki internal consistency reliability).

c. Menghilangkan satu indikator dari model pengukuran tidak akan merubah makna
dan arti variabel laten.
d. Menghitung adanya kesalahan pengukuran (error) pada tingkat indikator.

Gambar 2.2 Indikator Reflektif

Variabel-variabel yang digunakan dalam dikategorikan sebagai berikut:

1. Berdasarkan cara pengukuran (Prihantoro, 2007):
a. Variabel Laten
Variabel laten atau variabel konstruk ialah variabel yang tidak dapat diukur
langsung, tetapi melalui suatu dimensi atau indikator dari masing-masing
variabel.
b. Variabel Terukur
Variabel terukur atau variabel manifest merupakan variabel yang dapat
diukur langsung. Variabel ini juga biasa disebut variabel indikator.
2. Berdasarkan hubungan antar variabel (Prihantoro, 2007):
a. Variabel Dependen
Variabel dependen adalah variabel yang dipengaruhi oleh variabel
independen. Variabel ini disebut sebagai variabel akibat.
b. Variabel Independen
Variabel independen yaitu variabel yang mempengaruhi variabel lain.
Variabel independen disebut sebagai variabel sebab.
Langkah-langkah pemodelan persamaan struktural berbasis PLS adalah sebagai
berikut (Solimun, 2011):
1. Langkah Pertama: Merancang Model Struktural (inner model)
Perancangan model struktural hubungan antar variabel laten pada PLS didasarkan pada
rumusan masalah atau hipotesis penelitian.

2. Langkah Kedua: Merancang Model Pengukuran (outer model)

MODUL ANALISIS MULTIVARIAT 2017

 23

Perancangan model pengukuran (outer model) dalam PLS sangat penting karena terkait
dengan apakah indikator bersifat refleksif atau formatif.

3. Langkah Ketiga: Mengkonstruksi diagram Jalur

Bilamana langkah satu dan dua sudah dilakukan, maka agar hasilnya lebih mudah
dipahami, hasil perancangan inner model dan outer model tersebut, selanjutnya
dinyatakan dalam bentuk diagram jalur. Contoh bentuk diagram jalur untuk PLS dapat
dilihat pada Gambar 2.3.

4. Langkah Keempat: Konversi diagram Jalur ke dalam Sistem Persamaan

a. Outer model
Outer model, yaitu spesifikasi hubungan antara variabel laten dengan indikatornya,
disebut juga dengan outer relation atau measurement model, mendefinisikan karakteristik
konstruk dengan variabel manifesnya. Model indikator refleksif dapat ditulis
persamaannya sebagai berikut:
x = x +
y = y +
Di mana x dan y adalah indikator untuk variabel laten eksogen () dan endogen ().
Sedangkan x dan y merupakan matriks loading yang menggambarkan seperti
koefisien regresi sederhana yang menghubungkan variabel laten dengan indikatornya.
Residual yang diukur dengan dan dapat diinterpretasikan sebagai kesalahan
pengukuran atau noise.
Model indikator formatif persamaannya dapat ditulis sebagai berikut:
= Xi +
= Yi +
Dimana , , X, dan Y sama dengan persamaan sebelumnya. Dengan dan adalah
seperti koefisen regresi berganda dari variabel laten terhadap indikator, sedangkan dan
adalah residual dari regresi.
Pada model PLS Gambar 2.3 terdapat outer model sebagai berikut:
Untuk variabel latent eksogen 1 (reflektif)
x1 = x11 + 1
x2 = x21 + 2
x3 = x31 + 3
Untuk variabel latent eksogen 2 (formatif)
2 = x4 X4 + x5 X5 + x6 X6 + 4
Untuk variabel latent endogen 1 (reflektif)
y1 = y11 + 1

MODUL ANALISIS MULTIVARIAT 2017

 24

y2 = y21 + 2
Untuk variabel latent endogen 2 (reflektif)
y3 = y32 + 3
y4 = y42 + 4
b) Inner model
Inner model, yaitu spesifikasi hubungan antar variabel laten (structural model), disebut
juga dengan inner relation, menggambarkan hubungan antar variabel laten berdasarkan
teori substansif penelitian. Tanpa kehilangan sifat umumnya, diasumsikan bahwa variabel
laten dan indikator atau variabel manifest diskala zero means dan unit varian sama
dengan satu, sehingga parameter lokasi (parameter konstanta) dapat dihilangkan dari
model.
Model persamaannya dapat ditulis seperti di bawah ini:
= + +
Dimana menggambarkan vektor variabel endogen (dependen), adalah vektor variabel
laten eksogen dan adalah vektor residual (unexplained variance). Oleh karena PLS
didesain untuk model rekursif, maka hubungan antar variabel laten, berlaku bahwa setiap
variabel laten dependen , atau sering disebut causal chain system dari variabel laten dapat
dispesifikasikan sebagai berikut:
j = ijii + i jbb + j
Dimana jb (dalam bentuk matriks dilambangkan dengan ) adalah koefisien jalur yang
menghubungkan variabel laten endogen () dengan eksogen (). Sedangkan ji (dalam
bentuk matriks dilambangkan dengan ) adalah koefisien jalur yang menghubungkan
variabel laten endogen () dengan endogen (); untuk range indeks i dan b. Parameter j
adalah variabel inner residual.
Pada model PLS Gambar 2.3 inner model dinyatakan dalam sistem persamaan sebagai
berikut:
1 = 11 + 22 + 1
2 = 11 + 31 + 42 + 2
c) Weight relation
Weight relation, estimasi nilai kasus variabel latent. Inner dan outer model memberikan
spesifikasi yang diikuti dengan estimasi weight relation dalam algoritma PLS:
b = kb wkb xkb
i = ki wki yki

MODUL ANALISIS MULTIVARIAT 2017

 25

Dimana wkb dan wki adalah k weight yang digunakan untuk membentuk estimasi variabel
laten b dan i. Estimasi variabel laten adalah linear agregat dari indikator yang nilai
weight-nya didapat dengan prosedur estimasi PLS.

Gambar 2.3 Ilustrasi Pemodelan Persamaan Struktural dan Notasi PLS

5. Langkah Kelima: Estimasi

Metode pendugaan parameter (estimasi) di dalam PLS adalah metode kuadrat terkecil
(least square methods). Proses perhitungan dilakukan dengan cara iterasi, dimana iterasi
akan berhenti jika telah tercapai kondisi konvergen.
Pendugaan parameter di dalam PLS meliputi 3 hal, yaitu :
1) Weight estimate digunakan untuk menciptakan skor variabel laten
2) Estimasi jalur (path estimate) yang menghubungkan antar variabel laten dan
estimasi loading antara variabel laten dengan indikatornya.
3) Means dan lokasi parameter (nilai konstanta regresi, intersep) untuk indikator dan
variabel laten.

MODUL ANALISIS MULTIVARIAT 2017

 26

6. Langkah Keenam: Goodness of Fit

a). Outer Model
Convergent validity
Korelasi antara skor indikator refleksif dengan skor variabel latennya. Untuk hal ini
loading 0.5 sampai 0.6 dianggap cukup, pada jumlah indikator per konstruk tidak besar,
berkisar antara 3 sampai 7 indikator.
Discriminant validity
Membandingkan nilai square root of average variance extracted (AVE) setiap konstruk
dengan korelasi antar konstruk lainnya dalam model, jika square root of average
variance extracted (AVE) konstruk lebih besar dari korelasi dengan seluruh konstruk
lainnya maka dikatakan memiliki discriminant validity yang baik. Direkomendasikan
nilai pengukuran harus lebih besar dari 0.50.
Composite reliability (c)
Kelompok Indikator yang mengukur sebuah variabel memiliki reliabilitas komposit yang
baik jika memiliki composite reliability 0.7, walaupun bukan merupakan standar
absolut.
b). Inner model
Goodness of Fit Model diukur menggunakan R-square variabel laten dependen dengan
interpretasi yang sama dengan regresi; Q-Square predictive relevance untuk model
struktural, megukur seberapa baik nilai onservasi dihasilkan oleh model dan juga estimasi
parameternya. Nilai Q-square > 0 menunjukkan model memiliki predictive relevance;
sebaliknya jika nilai Q-Square 0 menunjukkan model kurang memiliki predictive
relevance. Perhitungan Q-Square dilakukan dengan rumus:
Q2 = 1 ( 1 R12) ( 1 R22 ) ... ( 1- Rp2 )
dimana R12 , R22 ... Rp2 adalah R-square variabel endogen dalam model persamaan.
Besaran Q2 memiliki nilai dengan rentang 0 < Q2 < 1, dimana semakin mendekati 1 berarti
model semakin baik. Besaran Q2 ini setara dengan koefisien determinasi total pada
analisis jalur (path analysis). Rm2
7. Langkah Ketujuh: Pengujian Hipotesis
Pengujian hipotesis (, , dan ) dilakukan dengan metode resampling Bootstrap yang
dikembangkan oleh Geisser & Stone. Statistik uji yang digunakan adalah statistik t atau
uji t, dengan hipotesis statistik sebagai berikut:
Hipotesis statistik untuk outer model adalah:
H0 : i = 0 lawan

MODUL ANALISIS MULTIVARIAT 2017

 27

H1 : i 0
Sedangkan hipotesis statistik untuk inner model: pengaruh variabel laten eksogen
terhadap endogen adalah
H0 : i = 0 lawan
H1 : i 0

Sedangkan hipotesis statistik untuk inner model: pengaruh variabel laten endogen
terhadap endogen adalah
H0 : i = 0 lawan
H1 : i 0
Penerapan metode resampling, memungkinkan berlakunya data terdistribusi bebas
(distribution free), tidak memerlukan asumsi distribusi normal, serta tidak memerlukan
sampel yang besar (direkomendasikan sampel meinimum 30). Pengujian dilakukan
dengan t-test, bilamana diperoleh p-value 0,05 (alpha 5 %), maka disimpulkan
signifikan, dan sebaliknya. Bilamana hasil pengujian hipotesis pada outter model
signifikan, hal ini menunjukkan bahwa indikator dipandang dapat digunakan sebagai
instrumen pengukur variabel laten. Sedangkan bilamana hasil pengujian pada inner
model adalah signifikan, maka dapat diartikan bahwa terdapat pengaruh yang bermakna
variabel laten terhadap variabel laten lainnya.

Langkah-Langkah analisis PLS dengan software Smart PLS :

1. Menyiapkan data untuk pengujian PLS, menyimpan dalam format .csv (comma
delimited).
2. Membuka program smartpls
3. Klik File
4. Create New Project (beri nama project)
5. Klik Ok
6. Double Klik project explorer
7. Import data .csv
8. Aktifkan tab indicator
9. Klik icon latent variabel yang tersedia pada toolbar
10.Gambarkan seluruh variabel laten (eksogen maupun endogen), klik path model
11.Pindahkan indicator (Drag and Drop)
12.Untuk menghubungkan klik icon connect pada toolbar (pastikan warna lingkaran
biru).
13.Running data, Klik Calculate, PLS Algoritm, Klik Start Calculation
14.Pada path model pastikan masing-masing indicator bernilai >0,5

TUGAS :

MODUL ANALISIS MULTIVARIAT 2017

 28

Buatlah identifikasi sebuah studi kasus di perusahaan/UKM bersumber dari

jurnal internasional (boleh Bahasa Indonesia atau Bahasa inggris). Identifikasi mengenai
penelitian yang menggunakan metode PLS.
5. Sebutkan variabel-variabel beserta atribut.
6. Gambarkan diagram jalur.
7. Bagaimana validitas konvergen (dijelaskan).
8. Bagaimana validitas diskriminan (dijelaskan).
9. Jelaskan evaluasi reliabilitas konstruk dari penelitian tersebut.

MODUL ANALISIS MULTIVARIAT 2017

 29

VII. GENERALIZED STRUCTURED COMPONENT ANALYSIS

(GSCA)
A. Pengertian GeSCA
Generalized Structured Component Analysis (GSCA) merupakan SEM berbasis
varians. SEM berbasis varians merupakan soft modeling yang tidak didasari asumsi
berdistribusi normal, jumlah data tidak harus besar. Selain itu, dapat menganalisis secara
bersamaan indikator dengan bentuk reflektif dan formatif. Generalized Structured
Component Analysis (GSCA) yang diusulkan oleh Hwang and Takane dapat mengatasi
kelemahan Partial Least Squares (PLS) yang tidak menyediakan criteria global least
square optimization yang dilengkapi dengan ukuran goodness-fit model secara
keseluruhan karena GSCA memiliki criteria global least square optimization, yang dapat
secara konsisten meminimumkan sum squares residual untuk memperoleh estimasi
parameter model (Kencana, Ningsih, dan Ketut, 2013).
Generalized Structured Component Analysis (GSCA) adalah metode yang
dikembangkan oleh Hwang dan Takane (2004) yang merupakan pengembangan lebih
lanjut dari pemodelan dengan menggunakan pendekatan Partial Least Square (PLS), hal
ini dikarenakan GSCA menggunakan algoritma Alternating Least Square (ALS)
sedangkan PLS menggunakan algoritma Fixed Point. GSCA dapat digunakan pada model
struktural yang melibatkan variabel dengan indikator refleksif dan atau formatif (Nur,
2014).
Menurut Asmara (2014), asumsi yang melandasi dalam GSCA adalah:
1. Hubungan antar variabel laten dalam inner model adalah linier dan aditif; untuk
memeriksa asumsi linier dapat dilakukan dengan diagram pencar atau pendekatan
Curve Fit. Secara konseptual dan teoritis diupayakan tidak terjadi hubungan yang
bersifat multiplikatif atau rasional antar variabel laten. Untuk melihat hubungan linier
antar variabel laten dapat digunakan curve estimation atau menggunakan statistik uji
F.
2. Model struktural bersifat rekursif.
Dalam GSCA terdapat 3 parameter yang diduga, yaitu V, W, dan A. Pendugaan
dilakukan dengan meminimumkan jumlah kuadrat sisaan. Persamaan jumlah kuadrat
sisaan tidak dapat diselesaikan secara analitis, di mana V, W, dan A dapat tersusun
atas angka nol atau elemen tetap lainnya. Oleh karena itu, algoritma Alternating
Least Square (ALS) digunakan untuk meminimumkan jumlah kuadrat sisaan.
Algoritma ALS dalam GSCA terdiri dari 2 langkah, yaitu:
1. Parameter A diduga dari parameter V dan yang tetap.

MODUL ANALISIS MULTIVARIAT 2017

 30

2. Parameter V dan diduga dari parameter A yang tetap.

Kebaikan model GSCA dibagi menjadi 3 model yaitu kebaikan model
pengukuran, kebaikan model struktural, dan kebaikan model keseluruhan. Kebaikan
model pengukuran bertujuan mengetahui validitas dan reliabilitas dari instrument
penelitian. Untuk melihat validitas dan reliabilitas menggunakan AVE dan alpha
cronbach. Kebaikan model struktural menggunakan koefisien determinasi (R2) pada
variabel laten. Kebaikan model keseluruhan diukur dengan menggunakan FIT dan AFIT.
Fit menggambarkan keragaman total variabel endogen yang dapat dijelaskan oleh
keseluruhan model. Dalam GSCA, AFit dapat digunakan untuk perbandingan model, nilai
AFit yang lebih besar menunjukkan model yang lebih baik.
Menurut Ghozali (2013), langkah-langkah analisis dengan metode GSCA adalah
sebagai berikut:
1. Merancang model struktural (hubungan antar variabel laten)
Pada tahapan merancang model struktural, dilakukan perancangan model
struktural dari variabel yag akan diteliti. Perancangan model struktural ini akan
menunjukkan hubungan antar variabel laten yang digunakan.
2. Merancang model pengukuran (refleksif dan formatif)
Model indikator refleksif dikembangkan berdasarkan pada classical test theory
yang mengasumsikan bahwa variasi skor pengukuran konstruk merupakan fungsi
dari true score ditambah error. Model indikator formatif mempunyai karakteristik
berupa komposit. Jika menggambarkan suatu variabel laten dan x adalah indikator,
maka: = x Oleh karena itu, pada model formatif variabel komposit seolah-olah
dipengaruhi (ditentukan) oleh indikatornya. Jadi arah hubungan kausalitas seolah-
olah dari indikator ke variabel laten (Sheng, 2006).
3. Mengkonstruksi diagram jalur
Pada tahapan mengkonstruksi diagram jalur menggabungkan model pengukuran
yang telah diperoleh menjadi diagram jalur. Diagram jalur yang terbentuk akan
membantu dalam pengubahan ke dalam persamaan
4. Konversi diagram jalur ke sistem persamaan
Sistem persamaan didapatkan dari konversi digram jalur, dimana pada
pembuatan persamaan ini dibuat dalam dua model yaitu model pengukuran dan
model struktural. Model pengukuran dibagi kedalam dua indicator yaitu reflektif dan
formatif.

5. Estimasi : koefisien jalur, loading dan weight

MODUL ANALISIS MULTIVARIAT 2017

 31

Pada tahap ini dilakukan pendugaan parameter (estimasi) terhadap model

struktural dan model pengukuran. Model GSCA mengintegrasikan model struktural
dan model pengukuran menjadi satu model, sehingga dapat meminimumkan residual
model terintegrasi. Pendugaan parameter di dalam GSCAmenurut Solimun (2012)
meliputi:
a. Berdasarkan data sampel original
1. Weight dan Loading estimate yang merupakan perndugaan parameter dengan
menggunakan pendekatan eigen value dan eigen vector.
2. Path coefficient estimate yang merupakan koefisien hubungan antar variabel
laten.
b. Berdasarkan data resampling (sampel bootstrap)
1. Means dari Weight, Loading dan Path coefficient yang merupakan pendugaan
parameter yang berupa rerata dari subsampel dengan menggunakan metode
resampling bootstrap.
6. Evaluasi goodness of fit
Pada tahap evaluasi goodness of fit dilakukan analisis terhadap model struktural
dan model pengukuran yang telah terbentuk. Tujuan dari analisis terhadap model
struktural adalah untuk mengetahui seberapa besar informasi yang dapat dijelaskan
dari model struktural (hubungan antar variabel laten) dari hasil analisis GSCA.
Tujuan dilakukan analisis pada model pengukuran yaitu untuk memeriksa (menguji)
apakah instrument penelitian valid dan realibel (Lukitasari, 2013).
No. Model Struktural Keterangan

1. FIT - Nilai FIT berkisar 0 sampai 1

- Nilai FIT = 1 berarti model secara sempurna
dapat menjelaskan fenomena yang diselidiki

2. AFIT - Serupa R2 adjusted pada analisis regresi

- Model dengan AFIT nilai terbesar dapat
dipilih antara model yang lebih baik.
Model pengukuran dianalisis dengan melihat convergent validity, discriminant
validity dan reliability. Berdasarkan convergent validity model dapat dianggap cukup
jika memiliki nilai loading 0,5 sampai 0,6. Berdasarkan discriminant validity, model
dapat dikatakan memiliki discriminant validity yang baik, jika nilai AVE lebih besar
dari korelasi seluruh variabel laten lainnya. Berdasarkan reliability, model dapat
dikatakan memiliki reliabilitas yang baik jika memiliki alpha 0,6 (Solimun, 2012).
7. Pengujian hipotesis
Pada tahap pengujian hipotesis, dilakukan pengujian hipotesis dengan metode
resampling bootstrap. Resampling bootstrap adalah metode berbasis resampling data
sampel dengan sayarat pengambilan pada datanya dalam menyelesaikan statistik

MODUL ANALISIS MULTIVARIAT 2017

 32

ukuran suatu sampel dengan harapan sampel tersebut mewakili data populasi
sebenarnya.
Seperti dinyatakan oleh Word (1985), PLS dan GeSCA merupakan metode
analisisi yang powerfull karena tidak didasarkan banyak asumsi. Data tidak harus
berdistribusi normal multivariate dan sampel tidak harus besar. PLS dan GeSCA dapat
juga digunakan untuk mengkonfirmasi teori, tetapi dapat juga digunkan untuk
menjelaskan ada atau tidaknya hubungan anata variabel laten (Fornell and Bookstein,
1982). Berikut persamaan dan perbedaan antara SEM, PLS, dan GeSCA.

Tabel. Persamaan dan perbedaan antara SEM, PLS, GeSCA

SEM PLS GeSCA

Spesifikasi model
Variable laten Factors components components
Jumlah persamaan Satu Dua Satu
Parameter model Loading, path Loading, path Loading, path
coefficient coefficient coefficient
Estimasi Error variance, factors Component weight Component weight
parameter mean, dan variable
Data input Covariance/corellation Raw data Raw data
Metode estimasi Maximum likelihood Least square Least square
Fungsi global Ya tidak Ya
optimasi
Asumsi Dipersyaratkan Tidak Tidak
normalitas dipersyaratkan dipersyaratkan
Ukuran model fit Overall dan local Local Overall dan lokal

Walaupun PLS memiliki keunggulan tertentu, tetapi PLS tidak dapat

menyelesaikan masalah gloal organization estimais parameter. Dengan kata lain pls tidak
memiliki kriteria tunggal secara konsisten untuk meminimumkan atau memaksimumkan
estimasi parameter. Secara lebih serius PLs tidak memeberikan mekanisme untuk menilai
overall goodness-fit dari model. Tidak adanya ukuran goodness-fit model menjadi sulit
menentukan model fit dengan datanya dan sulit untuk membandingkan dengan model
alternatif.

B. Software GeSCA

Software untuk mengestimasi model GeSCA telah dikembangan oleh Hwang

(2007) yang diberi nama GeSCA software ini dapat di-run melalui website dengan alamat

MODUL ANALISIS MULTIVARIAT 2017

 33

www.sem-gesca.org atau www.sem-gesca.com . secara khusus GeSCA memberikan

kemudahan bagi pemakai untuk :

1. Menggambarkan secara langsung diagram jalur pada window program

2. Menspesifikasi model indicator reflektif atau formatif
3. Menggunakan metode booststrao untuk mengestimasi standard error parameter
yang nati akan digunkan untuk menentukan nilai t statistik dan probabilitas
signifikasninya.

Langkah-Langkah GeSCA denganmenggunakan software :

a. Langkah-langkah Uji Linearitas
1. Input Data dari Excel ke SPSS (Hanya TOTAL dari tiap variabel)
2. Klik Analyze -> Compare Means -> Means
3. Masukkan Data ke Independent List dan Dependent List
4. Klik Option -> Test For Linearity -> Continue -> OK
b. Langkah-langkah Running GSCA
1. Klik Upload Data
2. Pilih data excel (pastikan format excel .xls)
3. Klik Draw Latent Variable (buat sejumlah variabel)
4. Klik Assign Indicates masukkan tiap-tiap indikator, kemudian ganti name
variabel nya menjadi x1, x2, x3 dst (pilih bentuk reflektif/ formatif tiap
variabelnya)
5. Klik Draw Path Coefficients
6. Hubungkan variabel x1,x2,x3 dengan variabel y
7. Pilih Options Bootstrap User Defined 500
8. Klik Run

TUGAS :

1. Buatlah studi kasus analisis GeSCA yang terjadi pada suatu perusahan !
2. Tulislah variabel operasional yang ada pada studi kasus tersebut !
3. Lakukan evaluasi terhadap asumsi GeSCA !
4. Lakukan analisis Measurement Modelm (Model Pengukuran) !
5. Lakukan analisis Structural Model (Model Struktural) !
6. Konversi Nilai Koefisien Jalur Model Struktural !

MODUL ANALISIS MULTIVARIAT 2017

 34

MODUL ANALISIS MULTIVARIAT 2017

 35

MODUL ANALISIS MULTIVARIAT 2017