Tugas Review Materi Statistika Bisnis 2

Kelompok Hore:

Indah Puspita Melati (041611233209)

Siti Aulia Nugraha (041611233210)
Dinar Shifa Nuramini (041611233212)
Velladelvi Ellen (041611233239)
Aulia Azka Irawanti (041611233262)
Kelas G

DEPARTEMEN MANAJEMEN
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS AIRLANGGA
 Exploratory Factor Analysis (EFA)

1. Definisi Exploratory Factor Analysis (EFA)

Exploratory Factor Analysis (EFA) adalah model yang diaplikasikan untuk

mengeksplorasi data yang ada mengenai jumlah karakteristiknya, sifat-sifat yang menarik
dan hubungan-hubungan yang mungkin ada. Menurut Panter,dkk (1997) aplikasi dari
exploratory factor analysis adalah mengidentifikasi makna, konstrak atau dimensi yang
dievaluasi oleh kovarians yang diobservasi yang meliputi sifat yang diobservasi, respon,
tanda dan symton.

Komponen-komponen dalam Analisa Faktor

Ada berbagai pengertian atau komponen yang penting dalam analisa

faktor, antara lain, unity atau total variance, common variance, specific variance
dan error variance (Fruchter, 1954 & Mulaik, 1972). Berikut definisi secara
ringkas mengenai hal tersebut.

1. Unity atau total variance merupakan suatu ubahan yang terdiri dari tiga
variance yaitu; common, specific dan error.
2. Common variance atau komunalitas merupakan bagian dari reliable variance
yang berhubungan dengan variabel lain. Komunalitas merupakan jumlah
kuadrat dari common variance dan dilambangkan dengan simbol h (Fruchter,
1954).
3. Specific variance merupakan bagian dari reliable variance yang tidak
berhubungan dengan variabel lain.
4. Error variance merupakan hasil dari kesalahan-kesalahan sampling,
pengukuran, kondisi tes yang tidak standar, pengaruh fisiologi atau pengaruh
lain dalam diri individu yang membuat tidak reliabel. Variance ini tidak
berkorelasi dengan reliable variance.

2. Tujuan Exploratory Factor Analysis (EFA)

Exploratory Factor Analysis ini berguna untuk tujuan menggenerasikan struktur, model-
model teoritis dan mengetes hipotesis (Gorsuch, 1983 dalam Crowley & Fan, 1997).
 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 tidak
dapat diamati atau diukur atau ditentukan secara langsung

3. Tahapan/ Prosedur Exploratory Factor Analysis (EFA)

Berbagai langkah yang dilakukan dalam analisa faktor (Fruchter, 1954; Suryabrata, 1982;
Santoso, 2003) yaitu:
1. Membuat matriks korelasi antar masing-masing subfaktor . Masing-masing subfaktor
tersebut dalam penelitian ini adalah penjumlahan dari 6 aitem sehingga keseluruhan
didapatkan 30 subfaktor. Selanjutnya dilakukan pengujian Measure of Sampling
Adequacy (KMO) dengan Kaiser Meyer Olkin (KMO)
2. Menentukan faktor atau ekstraksi faktor dengan menggunakan Principle Component
Analysis (PC) karena dapat mengambil atau menyedot varians sebanyak-banyaknya
(Fruchter, 1954).
3. Untuk menghentikan ekstraksi faktor menggunakan tolak ukur eigen value diatas 1.
4. Melakukan rotasi dari faktor yang telah terbentuk. Tujuan rotasi untuk memudahkan
dalam interpretasi. Metode rotasi yang digunakan adalah rotasi orthogonal dengan
metode varimax. Pemilihan metode rotasi orthogonal karena strukturnya sederhana
dan metode varimax untuk memudahkan interpretasi bagi peneliti mengenai faktor-
faktor yang diperoleh.

Analisis Cluster

Definisi
Analisis cluster adalah suatu analisis statistik yang bertujuan memisahkan obyek kedalam
beberapa kelompok yang mempunyai sifat berbeda antar kelompok yang satu dengan yang
 lain. Dalam analisis ini tiap-tiap kelompok bersifat homogen antar anggota dalam kelompok
atau variasi obyek dalam kelompok yang terbentuk sekecil mungkin.

Proses Analisis Cluster

Tujuan utama analisis cluster menggabungkan objek-objek yang mempunyai kesamaan
kedalam sebuah kelompok atau cluster.

Proses Pengambilan Keputusan dalam Analisis Cluster

Pengambilan keputusan dengan analisis cluster memiliki 6 tahapan, yaitu :

Langkah 1 : Tujuan Analisis Cluster

Tujuan analisis cluster secara khusus antara lain :
(1) Pengelompokkan
Analisis cluster digunakan dengan tujuan explanatory maupun confirmatory
(2) Penyederhanaan data
Analisis cluster menetapkan struktur dari observasi atau data bukan variabel.
(3) Pengidentifikasian hubungan
Analisis cluster dapat menunjukkan ada tidaknya hubungan antar observasi atau obyek

dalam analisis

Langkah 2 : Desain Penilitian dalam Analisis Cluster

Sebelum melakukan proses pemilahan obyek kedalam beberapa cluster, terlebih dahulu
peneliti harus menjawab tiga pentanyaan, yaitu : apakah ourliers akan dihapus ?, bagaimana
obyek-obyek yang mempunyai kesamaan diukur ?, haruskah data distandarisasi ?
Mendeteksi Outliers
Dalam melakukan pemilahan obyek kedalam cluster-cluster, analisis tidak hanya peka
terhadap variabel-veriabel yang tidak sesuai dengan kasus yang diteliti tetapi juga peka
terhadap outliers (obyek-obyek yang berbeda dengan obyek yang
lainnya). Outliers terjadi karena 2 dua hal, yaitu :
(1) Observasi menyimpang yang tidak mewakili populasi
(2) Suatu undersampling kelompok - kelompok dalam populasi yang
menyebabkan underrepresentation kelompok-kelompok dalam sampel
Dalam kedua kasus tersebut, outliers dapat mengubah struktur sebenarnya dari populasi
sehingga kita akan memperoleh cluster-cluster yang tidak sesuai dengan struktur sebenarnya
dari populasi tersebut. Karena itu, pembuangan outliers sangat penting dalam analisis
 ini. Outliers dapat dilihat melalui Profile Diagram. Outliers adalah obyek-obyek dengan
profil-profil yang berbeda, atau value yang berbeda dalam satu atau beberapa variabel.
Kesamaan Ukuran
Konsep kesamaan yang diperlukan dalam analisis cluster. Interobject Similarity adalah
sebuah ukuran untuk kesesuaian atau kemiripan, diantara objek-objek yang akan dipilah
menjadi beberapa cluster. Interobject Similarity dapat diukur dengan beberapa cara, antara
lain : Correlatioal Measures, Distance Measures, dan Association Measures. Pemilihan
metode tergantung pada tujuan dan jenis data. Correlatioal Measures dan Distance
Measures digunakan untuk data dengan tipe metic, sedangkan Association
Measures digunakan bila data bertipe non-metic.
Langkah 3 : Asumsi-asumsi Analisis Cluster
Syarat normality, linearity, dan homoscedasticity sangat diperhatikan dalam teknik-teknik
multivariate yang lain tetapi tidak dalam analisis cluster. Dalam analisis cluster, peneliti
harus lebih memperhatikan masalah : seberapa besar sampel mewakili populasi
(representativeness) dan ada tidaknya multicollinearity.

Langkah 4 : Menurunkan Cluster-Cluster dan Memperkirakan Overall Fit

Peneliti pertama kali harus menentukan clustering algorithm yang akan digunakan untuk
membentuk cluster dan selanjutnya memutuskan berapa cluster yang akan dibentuk. Dua hal
ini mempunyai implikasi yang substensial tidak hanya pada hasil yang akan diperoleh tetapi
juga pada intepretasi hasil tersebut.
Metode Hirarki Cluster
Dalam metode hirarki cluster terdapat dua tipe dasar yaitu agglomerative (pemusatan)
dan divisive (penyebaran). Dalam metode agglomerative, setiap obyek atau observasi
dianggap sebagai sebuah cluster tersendiri. Dalam tahap selanjutnya, dua cluster yang
mempunyai kemiripan digabungkan menjadi sebuah cluster baru demikian seterusnya.
Sebaliknya, dalam metode divisive kita beranjak dari sebuah cluster besar yang terdiri dari
semua obyek atau observasi. Selanjutnya, obyek atau observasi yang paling tinggi nilai
ketidakmiripannya kita pisahkan demikian seterusnya.
Dalam agglomerative ada lima metode yang cukup terkenal, yaitu : Single Linkage,
Complete Linkage, Average Linkage, Wards Method, Centroid Method.
Single Linkage, prosedur ini didasarkan pada jarak terkecil. Jika dua obyek terpisah oleh
jarak yang pendek maka kedua obyek tersebut akan digabung menjadi satu cluster daan
demikian saterusnya.
Complete Linkage, berlawanan dengan Single Linkage prosedur ini pengelompokkannya
berdasarkan jarak terjauh.
Average Linkage, prosedure ini hampir sama dengan Single Linkage maupun Complete
Linkage, namun kriteria yang digunakan adalah rata-rata jarak seluruh individu dalam suatu
cluster dengan jarak seluruh individu dalam cluster yang lain.
Wards Method, jarak antara dua cluster dalam metode ini berdasarkan total sum of
square dua cluster pada masing-masing variabel.
Centroid Method, jarak antara dua cluster dalam metode ini berdasarkan jarak centroid dua
cluster yang bersangkutan.

Metode Non-Hirarki Cluster

Kebalikan dari metode hirarki, metode nonhirarki tidak meliputi proses treelike
construction. Justru menempatkan objek-objek ke dalam cluster sekaligus sehingga
terbentuk sejumlah cluster tertentu. Langkah pertama adalah memilih sebuah cluster sebagai
inisial cluster pusat, dan semua objek dalam jarak tertentu ditempatkan pada cluster yang
terbentuk. Kemudian memilih cluster selanjutnya dan penempatan dilanjutkan sampai semua
objek ditempatkan. Objek-objek bisa ditempatkan lagi jika jaraknya lebih dekat pada cluster
lain daripada cluster asalnya. Metode nonhirarki cluster berkaitan dengan K-means
custering, dan ada tiga pendekatan yang digunakan untuk menempatkan masing-masing
observasi pada satu cluster.
Sequential Threshold, Metode Sequential Threshold memulai dengan pemilihan satu cluster
dan menempatkan semua objek yang berada pada jarak tertentu ke dalamnya. Jika semua
objek yang berada pada jarak tertentu telah dimasukkan, kemudian cluster yang kedua
dipilih dan menempatkan semua objek yang berjarak tertentu ke dalamnya. Kemudian
cluster ketiga dipilih dan proses dilanjutkan seperti yang sebelumnya.
Parallel Threshold, Metode Parallel Threshold merupakan kebalikan dari pendekatan yang
pertama yaitu dengan memilih sejumlah cluster secara bersamaan dan menempatkan objek-
objek kedalam cluster yang memiliki jarak antar muka terdekat. Pada saat proses
berlangsung, jarak antar muka dapat ditentukan untuk memasukkan beberapa objek ke
dalam cluster-cluster. Juga beberapa variasi pada metode ini, yaitu sisa objek-objek tidak
dikelompokkan jika berada di luar jarak tertentu dari sejumlah cluster.
Optimization, Metode ketiga adalah serupa dengan kedua metode sebelumnya kecuali
bahwa metode ini memungkinkan untuk menempatkan kembali objek-objek ke dalam
cluster yang lebih dekat.

Kapan Kita Menggunakan Metode Hirarki atau metode Non-Hirarki ?

Jawaban pasti tidak untuk pertanyaan tersebut tidak ada karena dua alasan. Pertama,
penelitian yang sedang diamati dimungkinkan dapat diselesaikan dengan kedua metode
(hirarki atau non-hirarki). Kedua, penelitian yang diamati mungkin sebaiknya diselesaikan
dengan suatu metode yang selanjutnya dengan metode yang lainnya.

Berapa Cluster yang Akan Dibentuk ?

Banyaknya cluster yang akan dibentuk tidak dapat ditentukan secara sembarang. Penentuan
banyaknya cluster yang akan dibentuk harus berdasarkan suatu teori yang akan
mempengaruhi jumlah cluster secara langsung atau alami.
Langkah 5 : Interpretasi Cluster
Tahap interpretasi meliputi pengujian masing-masing cluster dalam terminology macam
cluster untuk menamai atau memberikan keterangan secara tepat sebagai gambaran sifat dari
cluster.
Ketika memulai proses interpretasi, ada satu ukuran yang sering digunakan yaitu cluster
centroid. Jika prosedur pengelompokan dilakukan terhadap data asli, maka ini akan
memberikan gambaran yang logic. Tetapi jika data telah distandarisasi atau jika analisis
cluster dilakukan dengan menggunakan hasil analisis faktor (faktor komponen), peneliti
harus mengembalikan skor asli untuk variabel asal dan menghitung rata-rata profiles
menggunakan data ini.
Gambaran dan interpretasi cluster , memberikan hasil lebih daripada deskriptif. Pertama,
Metode ini memberikan sebuah rata-rata untuk perkiraan masing-masing cluster yang
terbentuk sebagaimana yang dikemukakan pada toeri sebelumnya atau pengalaman
praktek. Kedua, Gambaran cluster memberikan jalan untuk membuat perkiraan signifikansi
praktis. Peneliti mungkin memerlukan bahwa perbedaan substansi yang ada pada sejumlah
variable cluster dan penyelesaian cluster akan dikembangkan sampai tampak sejumlah
perbedaan.

Langkah 6 : Validasi dan Gambaran Cluster

Analisis cluster agak bersifat subjektif dalam penentuan penyelesaian cluster yang optimal,
sehingga peneliti seharusnya memberikan perhatian yang besar mengenai validasi dan
jaminan tingkat signifikansi pada penyelesaian akhir dari cluster. Meskipun tidak ada
metode untuk menjamin validitas dan tingkat signifikansi , beberapa pendekatan telah
dikemukakan untuk memberikan dasar bagi perkiraan peneliti.

MDS
(Multidemonsional Scaling)
1. Pengertian
Merupakan salah satu teknik peubah ganda yang dapat digunakan untuk menentukan
posisi (menggambarkan struktur dimensional) suatu obyek lainnya berdasarkan penilaian
kemiripannya.

Fokus utama MDS adalah menilai ketidaksamaan (disimiliar) antar objek atau stimuli.
Ketidaksamaan dapat berarti jarak relatif (proximity) satu objek terhadap objek lainnya.
Multidimensional scalling (MDS) merupakan sebuah susunan prosedur yang digunakan
untuk menampilkan hubungan yang diamati dari data yang mewakili similarity dan
preferensi.
Analisis penskalaan multidimensional dipergunakan didalam bisnis/pemasaran untuk
mengenali (mengidentifikasi), hal-hal berikut:
- Banyaknya dimensi dan sifat/ cirinya yang dipergunakan untuk mempersepsikan
merek yang berbeda di pasar.
- Penempatan (positioning) merek yang diteliti dalam dimensi ini.
- Penempatan merek ideal dari pelanggan dalam dimensi ini.

Similarity Data vs Preference Data

Similarity Data
Responden tidak dapat menerapkan baik-buruknya aspek dari evaluasi
perbandingan.
Similiarity berbasis perseptual mapping mewakili atribut dimensi
similaritas dan perceptual dari perbandingan tetapi tidak merefleksikan
wawasan langsung untuk menentukan pilihan.
Preference Data
Aspek pengamatan evaluasi dari baik buruknya data.
Berasumsi bahwa perbedaan kombinasi dari atribut yang dirasakan
bernilai lebih dibanding kombinasi lain.
Aspek pengamatan evaluasi dari baik buruknya data.
Berasumsi bahwa perbedaan kombinasi dari atribut yang dirasakan
bernilai lebih dibanding kombinasi lain.

Pendekatan Dekomposisional vs Komposisional

Metode Dekomposisional
Metode dekomposisional mengukur hanya keseluruhan kesan atau
evaluasi dari sebuah obyek dan kemudian mengupayakan asal posisi
spasial dalam multidimensional space yang merefleksikan persepsi ini.
Metode Komposional
Metode komposisional dimana menggunalan beberapa teknik multivariat
yang telah didiskusikan dan digunakan dalam pembentukan kesan atau
evaluasi berbasis kombinasi atribut tertentu.
 Berdasarkan skala pengukuran dari data kemiripan, MDS dibedakan atas:
MDS berskala metrik
MDS metrik mengasumsikan bahwa data adalah kuantitatif (interval dan
ratio).
MDS bersakala nonmetrik
Multidimesional scaling nonmetrik mengasumsikan bahwa datanya adalah
kualitatif (nominal dan ordinal).

2. Tujuan MDS
Memberikan gambaran visual dari pola kedekatan yang berupa kesamaan atau
jarak diantara sekumpulan objek-objek.
Menunjukkan dimensi penilaian dari responden secara langsung ke dalam pola
visualisasi kedekatan mengenai kesamaan produk.

3. Tahapan MDS
1) Tujuan MDS
2) Desain Penelitian MDS
3) Asumsi MDS
4) Solusi MDS & Menilai Overall Fit
5) Interpretasi Hasil MDS
6) Validasi Hasil MDS

Conjoint Analysis

Definisi
 Sebuah 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. Digunakan untuk membantu
mendapatkan kombinasi atau komposisi atribut-atribut suatu produk barang atau jasa baik
produk baru maupun lama yang paling disukai konsumen.
Tujuan
Menentukan tingkat kepentingan relatif atribut-atribut pada proses pemilihan yang
dilakukan oleh konsumen.
Membuat estimasi pangsa pasar suatu produk tertentu yang berbeda tingkat
atributnya.
Untuk menentukan komposisi produk yang paling disukai oleh konsumen.
Untuk membuat segmentasi pasar yang didasarkan pada kemiripan preferensi
terhadap tingkat-tingkat atribut.
Manfaat
Merancang harga
Memprediksi tingkat penjualan atau penggunaan produk (market share), uji coba konsep
produk baru.
Segmentasi preferensi
Merancang strategi promosi
Aturan saat pemilihan produk
Maximum utility rule, responden dianggap akan memilih produk dengan utility tertinggi.
Share of utility rule, masing-masing produk akan mendapatkan share pembelian sesuai
dengan share utility.
Logit choice rule, mirip dengan 'share of utility rule' dengan ditambah unsur keacakan
Persyaratan untuk melakukan analisis conjoint diperlukan 2 file yaitu :
1.File Data, yaitu berisi nilai preferensi atau berupa ranking atribut yang diberikan oleh
konsumen.
2.File Perencanaan, yaitu berisi seperangkat atribut produk yang dinilai responden dan
harus dibuat dengan menggunakan prosedur Generated Orthogonal Design.
Tahapan Conjoint Analysis
1.Perumusan masalah
2.Merancang Kombinasi Atribut (Stimuli)
3.Menentukan Metode Pengumpulan Data
4. Memilih Prosedur Analisis Conjoint
5. Hasil analisis dan interpretasinya (part-worth functions)
6. Uji Validitas dan Reliabilitas