net/publication/316874949
CITATIONS READS
0 1,593
1 author:
Hanson E. Kusuma
Bandung Institute of Technology
31 PUBLICATIONS 13 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Hanson E. Kusuma on 12 May 2017.
ABSTRAK
Penelitian diawali dengan konteks permasalahan dan penentuan tujuan. Berdasarkan tujuan
tersebut, direncanakan metode pengumpulan data dan analisis data. Tujuan menentukan metode
pengumpulan data dan analisis data. Tetapi, sebaliknya metode pengumpulan data dan analisis
data yang akan digunakan juga membatasi tujuan yang bisa ditentukan, karena jenis data yang
dikumpulkan dan jenis analisis yang dipilih akan membatasi kemungkinan temuan penelitian.
Dengan demikian, pemahaman terhadap metode pengumpulan data dan kemampuan beragam
jenis analisis data, serta kemungkinan temuan analisis, merupakan pengetahuan esensial yang
perlu dimiliki sebelum memulai penelitian. Paper ini mencoba membahas secara konseptual,
garis besar metode analisis kuantitatif (statistik) yang sering digunakan pada penelitian
arsitektur, terutama untuk tesis dan disertasi. Analisis yang dibahas dalam paper ini : analisis
distribusi, analisis koresponden, anova, analisis korelasi, analisis komponen prinsip/analisis
faktor, analisis klaster, analisis regresi dan Structural Equation Modeling (SEM). Masing-
masing fungsi dan cara penggunaan analisis dijelaskan secara konseptual disertai dengan contoh,
agar mudah dipahami terutama oleh mahasiswa pasca-sarjana yang akan memulai merancang
penelitian.
Kata-kunci : penelitian arsitektur, penelitian kuantitatif, jenis data, metode analisis kuantitatif
Jika dibagi ke dalam dua perspektif yang saling berlawanan, penelitian dapat dikelompokkan ke
dalam dua kategori metodologi : kualitatif dan kuantitatif. Penelitian kualitatif didasari oleh sudut
pandang/perspektif/paradigma social constructivism, yang beranggapan setiap fenomena
merupakan suatu keutuhan yang tidak dapat dijelaskan hanya dengan beberapa faktor saja.
Penelitian kuantitatif didasari oleh perspektif post-positivism, yang beranggapan fenomena dapat
dijelaskan dengan menggunakan sekumpulan faktor yang mewakili fenomena (reduksionis) dan
faktor sebab menentukan/mempengaruhi faktor akibat dari fenomena tersebut (deterministik).
Selain dua perspektif tersebut di atas, John W. Creswell (2003) menambahkan dua perspektif yang
pengkategoriannya bukan berdasarkan pada pandangan terhadap keutuhan fenomena seperti dua
perspektif tersebut di atas, yaitu : pragmatism dan advocacy/participatory. Pragmatism
beranggapan yang paling penting adalah pemahaman terhadap permasalahan atau mengetahui
solusi permasalahan, dan metode apa saja dapat digunakan sesuai dengan permasalahan yang
dihadapi. Perspektif ini mendasari penelitian pragmatis atau gabungan yang disebut mixed methods
(Creswell, 2003, hal 11-13) atau combined-strategies (Linda Groat & David Wang, 2002, hal 369-
370). Perspektif advocacy/participatory, - seperti arti kata dari namanya -, mengutamakan keadilan
sosial, perubahan atau manfaat yang dirasakan oleh partisipan atau siapa saja yang terlibat
penelitian, termasuk kelompok-kelompok minoritas atau yang tidak diperhatikan. Perspektif ini
sangat memberikan perhatian pada agenda perubahan atau misi politik dalam pelaksanaannya.
Dari empat kategori metodologi penelitian yang didasari empat perspektif di atas, kategori
penelitian yang mengumpulkan data kuantitatif dan membutuhkan analisis kuantitatif adalah
penelitian kuantitatif (sesuai dengan namanya). Pada konteks fenomena tertentu, penelitian
gabungan juga mungkin mengumpulkan data kuantitatif, jika juga menggunakan metode
1
pengumpulan data kuantitatif. Dari deskripsi di atas, jelas bahwa analisis data kuantitatif (lazim
disebut statistik) merupakan bagian dari metode penelitian kuantitatif, baik penelitian kuantitatif
dalam kelompok penelitian korelasional (tanpa intervensi) maupun eksperimential/quasi-
eksperimental (dengan intervensi). Penggunaan analisis kuantitatif pada penelitian kualitatif hanya
sebatas analisis distribusi frekuensi yang merupakan ujung dari content analysis.
Ciri khas dari penelitian kuantitatif : penggunaan beberapa faktor yang dianggap mewakili atau
menjelaskan fenomena (reduksionis) dan pencarian hubungan non kausal atau kausal antar faktor
tersebut (deterministik). Karena itu, pada penelitian kuantitatif pengumpulan data hanya
dilaksanakan pada/tentang faktor yang dianggap mewakili atau menjelaskan fenomena, dan sebagai
konsekuensinya data yang dikumpulkan tersebut akan membatasi kemungkinan temuan analisis.
Dengan kata lain, lingkup temuan analisis dibatasi oleh data yang dikumpulkan, tetapi temuan
penelitian itu sendiri tergantung pada jenis analisis yang digunakan. Jadi, penelitian kuantitatif
tidak mungkin direncanakan tanpa perencanaan pengumpulan lingkup dan jenis data, serta jenis
analisis kuantitatif yang akan digunakan.
JENIS DATA
Jenis data yang dikumpulkan akan menentukan jenis analisis yang dapat digunakan. Dalam analisis
kuantitatif, jenis data dikelompokkan menjadi 3 : nominal, ordinal dan continuous. Data nominal
merupakan data kategori, seperti jenis pekerjaan, kota tempat tinggal, pendidikan, bidang keahlian
dll. Data kategori dapat berupa angka numerik coding dari kategori atau teks (kata-kata) yang
menjadi indikator dari kategori. Data ordinal merupakan data urutan atau data yang memiliki
rangking. Data continuous merupakan data interval dan rasio. Data interval adalah data yang
memiliki peringkat, misalnya jika angka semakin besar semakin baik, semakin tinggi dst. Contoh
data interval, data yang diperoleh dari kuesioner yang menggunakan jawaban skala likert atau
semantic differential method (menggunakan kata sifat yang saling berlawanan, dan umumnya
berskala 1 sampai dengan 4, 5, 6 atau 7). Data rasio merupakan data yang memiliki nilai kuantitatif
yang sebanding dengan besaran angkanya, misalnya data berat badan, 10 kg dua kali lebih berat
daripada 5 kg. Yang lain misalnya jumlah uang, jumlah orang, luas ruang, lebar jalan dll.
ANALISIS DATA
Melihat dari jumlah variabel yang digunakan dalam analisis, analisis dikelompokkan menjadi
analisis univariat, bivariat dan multivariat. Analisis univariat menggunakan hanya satu variabel,
misalnya analisis distribusi. Analisis bivariat menggunakan dua variabel, misalnya analisis
koresponden, anova, analisis korelasi dan analisis regresi bivariat. Analisis multivariat
menggunakan banyak variabel, misalnya analisis komponen prinsip, analisis faktor, analisis klaster,
analisis regresi multivariat dan structural equation modeling (SEM). Analisis bivariat dapat
menggunakan data nominal, ordinal atau continuous. Analisis multivariat hanya menggunakan data
continuous. Di bawah ini penjelasan konseptual masing-masing analisis yang disebutkan di atas.
Analisis Distribusi
Analisis distribusi digunakan untuk mengetahui ragam kategori di dalam data dan
penyebaran/frekuensi dari masing-masing kategori tersebut. Jenis data yang digunakan umumnya
data kategori (nominal) meskipun data bukan nominal seperti data ordinal atau continuous juga
dapat diperlakukan sebagai data nominal dan dianalisis dengan analisis distribusi. Luaran analisis
distribusi paling populer ditampilkan dalam bentuk diagram batang (histogram) atau diagram
lingkaran/kue (pie-chart). Dari diagram distribusi secara visual akan bisa diketahui dengan mudah,
misalnya persentase dan frekuensi (termasuk frekuensi paling tinggi dan rendah) pendapatan dalam
suatu permukiman (diagram 1), jumlah penghuni yang tinggal di bawah satu atap (diagram 2), luas
hunian per orang (diagram 3), atau alasan merasa betah paling dominan tinggal di suatu
permukiman tertentu (diagram 4).
2
Distributions
PENGHASILAN PER BULAN JUMLAH PENGHUNI LUAS RUMAH PER PENGHUNI
D. 1200rb < PBK ≤ 1600rb 15.1 D. 27m2 ≤ luas < 36m2 7.7
12.0
C. 9-12
C. 800rb < PBK ≤ 1200rb 26.4 C. 18m2 ≤ luas < 27m2 12.5
54.6
B. 5-8
B. 400rb < PBK ≤ 800rb 32.1 B. 9m2 ≤ luas < 18m2 33.7
25.0
A. PBK ≤ 400rb 14.2 A. 1-4 A. luas < 9m2 35.6
5 15 25 35 10 30 50 5 15 25 35
Count Count Count
Diagram 1 (kiri atas). Distribusi pendapatan per bulan kepala keluarga (PBK), data 108 responden. Angka di
bawah diagram batang menunjukkan frekuensi setiap kategori. Angka di ujung diagram batang
probabilitas/persentase setiap kategori.
Diagram 2 (tengah atas). Distribusi jumlah total penghuni dalam satu rumah, data 108 responden.
Diagram 3 (kanan atas). Distribusi luas rumah per penghuni dalam satuan m2, data 104 responden.
Analisis Koresponden
Analisis koresponden digunakan untuk mengetahui kedekatan hubungan antar kategori dari dua
variabel nominal. Variabel yang digunakan selalu nominal, baik numerik ataupun karakter/teks.
Analisis koresponden tidak menghasilkan koefisien, seperti analisis korelasi atau regresi, tetapi
menghasilkan correspondence analysis plot (cap), dengan axis yang memiliki skor yang
menunjukkan kedekatan hubungan antar kategori. Setiap axis memiliki cumulative inertia portion
yang menjadi indikator porsi kemampuan axis tersebut menjelaskan data. Kedekatan hubungan
antar kategori dapat diketahui langsung secara visual dengan melihat kedekatan posisi antar
kategori tersebut pada bidang cap, misalnya titik kategori pendidikan SD paling dekat dengan titik
kategori pendapatan PBK ≤ 400rb, dan agak jauh dari titik 400rb < PBK≤ 800rb; jadi jika
pendidikan SD kemungkinan besar pendapatan kurang dari 400rb per bulan, bukan lebih dari 400rb
(diagram 5). Selanjutnya jika pendapatan kurang dari 400rb per bulan (PBK ≤ 400rb, lihat diagram
6), maka kemungkinan besar akan tinggal di rumah dengan luas lantai per orang kurang dari 9 m 2
(luas < 9 m2, lihat diagram 6). Kedekatan pada analisis koresponden menunjukkan kemungkinan
co-incidence atau co-occurence antar kategori dari variabel nominal.
3
Bivariate Fit of c1 By c2 Bivariate Fit of c2 By c1
0.75 0.6
A. PBK ≤ 400rb C. 18m2 ≤ luas < 27m2
0.5
SD
0.5
0.4
SLTP E. 1600rb < PBK
D. 1200rb < PBK ≤ 1600rb
0.3
0.25
0.2
B. 400rb < PBK ≤ 800rb E. 36m2 ≤ luas
0 0.1
c2
c1
C. 800rb < PBK ≤ 1200rb B. 400rb < PBK ≤ 800rb B. 9m2 ≤ luas < 18m2
0
SLTA
-0.25
-0.1
E. 1600rb < PBK
-0.2
-0.5 D. 1200rb < PBK ≤ 1600rb A. luas < 9m2
S1
-0.3 A. PBK ≤ 400rb C. 800rb < PBK ≤ 1200rb
D. 27m2 ≤ luas < 36m2
-0.75 -0.4
-0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8
c2 c1
Diagram 5 (kiri atas). Koresponden antara pendidikan dan penghasilan per bulan kepala keluarga (PBK).
Analisis menggunakan 98 dari 108 sampel (91%), tidak menyertakan kategori pendidikan Tidak Sekolah, D2,
D3 dan S2 yang memiliki jumlah total hanya 10 orang (9% dari jumlah total sampel). Cumulative inertia
portion 96% : mampu menjelaskan 96% kecenderungan data.
Diagram 6 (kanan atas). Koresponden antara luas rumah per penghuni dan penghasilan per bulan kepala
keluarga (PBK). Analisis menggunakan 102 dari 108 sampel (94%), data 6 sampel tidak ada (missing-value).
Cumulative inertia portion 94% : mampu menjelaskan 94% kecenderungan data.
Anova
Anova (analysis of variance) digunakan untuk mengetahui perbedaan parameter (indikator numerik
yang digunakan untuk memberikan ukuran, selalu data continuous) antar data nominal dengan
melihat nilai rata-rata parameter dari setiap kategori dalam data nominal tersebut. Anova paling
mudah dipahami jika ditampilkan dalam bentuk diagram dua dimensi. Diagram dua dimensi
tersebut selalu menggunakan data nominal sebagai sumbu x dan data continuous pada sumbu y.
Misalnya, pada diagram 7, sumbu x adalah data 20 rumah tinggal dan sumbu y adalah evaluasi
preferensi 99 responden terhadap setiap rumah. Dari diagram dapat diketahui perbedaan tingkat
preferensi dari setiap rumah. Rumah dengan tingkat preferensi paling tinggi no 7, 2 dan 17.
Anova juga dapat digunakan untuk melihat perbedaan parameter antar kelompok dari setiap
kategori data nominal, seperti yang diperlihatkan pada diagram 8. Dari diagram dapat diketahui
perbedaan preferensi antar kelompok terhadap setiap rumah, misalnya perbedaan preferensi Ar dan
Sp terhadap rumah no 6 dan 16 lebih besar dibanding rumah lain. Perbedaan preferensi antara
kelompok Ar dan Sp terhadap rumah no 16 signifikan, dapat dibuktikan dari pemisahan mean
comparison pada diagram 9.
4
Diagram 8. Perbedaan tingkat preferensi
kelompok Ar dan Sp terhadap setiap objek. Sp
6
Sumbu x data kategori 20 objek bernomor Ar
Sp Ar
1 sampai dengan 20. Sumbu y evaluasi Sp Sp Sp
preferensi berskala 1 s/d 7. Pada diagram 5 Ar Sp Ar Sp
hanya ditampilkan skala 2 s/d 6. Kode Ar Ar Sp Ar Ar
Ar
Sp Sp Sp
Sp
Suka
pada diagram mewakili responden 4 Ar
Sp Ar Ar
mahasiswa arsitektur. Kode Sp mewakili Ar Ar
Sp
Ar Sp
mahasiswa non-arsitektur. Posisi titik Ar Sp
3 Ar Sp Ar
Ar Sp
ArSp
atau Sp menunjukkan rata-rata evaluasi
kelompok pada setiap objek. Garis zikzak Ar Sp
menghubungkan rata-rata evaluasi dua 2 Ar
kelompok. Jarak vertikal antar Ar dan Sp
menunjukkan perbedaan tingkat preferensi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
antara Ar dan Sp. Objek
8
7
6
5
Suka
4
3
2
1
0
Ar Sp Each Pair
Group Student's t
0.05
Foto 1 (kiri atas). Objek no 16. Rumah tinggal dengan tingkat preferensi antara Ar dan Sp berbeda signifikan.
Diagram 9 (kanan atas). Perbedaan tingkat preferensi antara kelompok Ar dan Sp pada objek no 16. Sumbu
x, data nominal kategori Ar dan Sp, sumbu y evaluasi tidak suka-suka berskala 1 s/d 7. Garis tengah mean
diamond menunjukkan rata-rata evaluasi kelompok bersangkutan. Ujung atas dan bawah merupakan batas
interval 95%. Mean comparison pada bagian kanan ditampilkan dengan dua lingkaran yang masing-masing
mewakili kelompok Ar dan Sp. Titik pusat lingkaran segaris-lurus dengan garis tengah mean diamond.
Diameter lingkaran mewakili interval 95%, segaris dengan titik teratas dan terbawah mean diamond. Dua
lingkaran terpisah menandakan perbedaan evaluasi antara kelompok signifikan.
5
7 7
6 6
5 5
Suka
Suka
4 4
3 3
2 2
1 1
1 2 3 4 5 6 7 1 2 3 4 5 6 7
Serasi Mewah
Diagram 10 (kiri atas). Korelasi antara keserasian dan preferensi. Sumbu x, data continuous/interval berskala
1 sangat tidak serasi s/d 7 sangat serasi. Sumbu y, data continuous/interval berskala 1 sangat tidak suka s/d 7
sangat suka. Titik pada diagram merupakan skor evaluasi yang saling tumpang-tindih. Density contour akan
semakin padat jika tumpang-tindih skor pada satu titik semakin banyak. Ellips pada diagram melingkupi 90%
penyebaran data. Koefisien korelasi 0.7, significant value kurang dari 0.01%, tingkat kepercayaan lebih dari
99.99%. Kesepakatan umum yang sering digunakan, sig. value lebih kecil dari 0.05.
Diagram 11 (kanan atas). Korelasi antara kemewahan dan preferensi. Sumbu x, data continuous/interval
berskala 1 sangat sederhana s/d 7 sangat mewah. Sumbu y, data continuous/interval berskala 1 sangat tidak
suka s/d 7 sangat suka. Koefisien korelasi 0.22, significant value kurang dari 0.01%.
6
variabel bebas, sebab atau independent variable) dan variabel yang dipengaruhi (disebut juga
variabel terikat, akibat atau dependent variable). Variabel apa yang menjadi variabel
mempengaruhi atau dipengaruhi sepenuhnya ditentukan oleh peneliti/penganalisis, bukan oleh
formula statistik atau software analisis data. Penentuan variabel bebas dan terikat tersebut dalam
penelitian kuantitatif merupakan bagian dari hipotesis yang disusun oleh peneliti.
Contoh luaran analisis regresi bivariat dapat dilihat pada diagram 12 dan 13. Pada diagram 12,
Rsquare regresi polinomial lebih besar daripada regresi linier, dan RMSE regresi polinomial lebih
kecil daripada regresi linier, karena itu interpretasi bentuk hubungan antara kompleksitas dan
preferensi lebih tepat menggunakan regresi polinomial : kurva lengkung. Kompleksitas tinggi
ataupun rendah preferensi akan selalu rendah. Preferensi paling tinggi jika kompleksitas sedang.
Rsquare dan RMSE regresi polinomial ataupun linier pada diagram 13 hampir tidak berbeda,
karena itu hubungan kausal antara keteraturan dan preferensi dapat disimpulkan linier.
6 6
5 5
4 4
Suka
Suka
3 3
2 2
2 3 4 5 6 2 3 4 5 6
Kompleks Teratur
Diagram 12 (kiri atas). Regresi linier dan polinomial antara kompleksitas dan preferensi. Sumbu x, data
continuous/interval berskala 1 sangat sederhana s/d 7 sangat kompleks. Sumbu y, data continuous/interval
berskala 1 sangat tidak suka s/d 7 sangat suka. Satu titik mewakili satu objek rumah tinggal yang dievaluasi.
Jumlah total titik/objek 110. 6 dari 116 data (5%) dianggap sebagai outlier dan tidak disertakan dalam
analisis. Data dikumpulkan dari tahun 2005 sampai tahun 2009. Regresi linier (garis lurus): Rsquare 0.200,
RMSE 0.790, significant value <0.01%. Regresi polinomial pangkat dua (garis lengkung): Rsquare 0.410,
RMSE 0.682, significant value <0.01%. Rsquare: proporsi varians yang dijelaskan oleh model, semakin
mendekati 1 semakin besar ’porsi dari fenomena’ yang dijelaskan oleh model. RMSE (Root Mean Square
Error): diskrepansi antara predicted value dan actual value, semakin kecil semakin baik.
Diagram 13 (kanan atas). Regresi linier dan polinomial antara keteraturan dan preferensi. Sumbu x, data
continuous/interval berskala 1 sangat tidak teratur s/d 7 sangat teratur. Sumbu y, data continuous/interval
berskala 1 sangat tidak suka s/d 7 sangat suka. Jumlah total titik/objek 109. 7 dari 116 data (6%) dianggap
sebagai outlier dan tidak disertakan dalam analisis. Data dikumpulkan dari tahun 2005 sampai tahun 2009.
Regresi linier (garis lurus): Rsquare 0.370, RMSE 0.717, significant value <0.01%. Regresi polinomial
pangkat dua (garis lengkung): Rsquare 0.370, RMSE 0.721, significant value <0.01%.
7
Diagram 14 (kanan). Scatter-plot predicted value 6
dan actual value variabel akibat, dengan variabel
akibat preferensi (tdk suka-suka) dan variabel sebab 5.5
kompleksitas (simpel-kompleks), keteraturan (tdk 5
teratur-teratur), dan kebaruan (lama-baru). 11 dari
116 data (9.5%) dianggap sebagai outlier dan tidak 4.5
Suka Actual
disertakan dalam analisis. Pada diagram, jika titik
4
menyebar semakin mendekati garis diagonal, maka
Rsquare akan semakin besar/semakin mendekati 3.5
angka 1, dan RMSE (root mean square error)
3
semakin kecil/semakin mendekati angka 0. Rsquare
besar dan RMSE kecil menunjukkan prediksi 2.5
semakin tepat (perbedaan antara predicted value dan
actual value semakin kecil). Rsquare disebut juga 2
coefficient of determination. Rsquare 0.6 dapat
1.5
diinterpretasikan kemungkinan 60% dari fenomena 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
dapat dijelaskan dengan model regresi yang dibuat, Suka Predict ed P<.0001
kemungkinan 40% tidak dapat dijelaskan. RSq=0.60 RMSE=0.5411
Tabel 2 (kanan). Bobot regresi dan significant value Term Estimate Std Error t Ratio Prob>|t|
regresi multivariat. Bobot regresi masing-masing Intercept 1.41 0.50 2.82 0.01
variabel sebab tertulis di kolom estimate. Significant Kompleks -0.36 0.05 -6.91 0.00
value untuk semua variabel sebab kurang dari 0.00 Teratur 0.27 0.06 4.44 0.00
(lihat kolom paling kanan Prob>I tI). Baru 0.57 0.07 8.14 0.00
Tabel 3. Empat komponen prinsip VARIABEL KOMP. PRINSIP 1 KOMP. PRINSIP 2 KOMP. PRINSIP 3 KOMP. PRINSIP 4
utama hasil analisis komponen prinsip Bagus 0.85 -0.07 0.05 -0.26
yang tidak dirotasi. Empat komponen Suka 0.84 -0.25 0.10 -0.27
tersebut memiliki jumlah total Serasi 0.74 -0.36 0.00 -0.05
persentase eigenvalue sebesar 73,12% Nyaman 0.70 -0.37 0.24 -0.13
(lihat cum. percent pada tabel 1), dengan Baru 0.62 0.45 -0.48 0.03
proporsi eigenvalue terbesar pada Proporsional 0.60 -0.42 0.07 0.31
komponen pertama (4.67). Jumlah total Unik 0.57 0.45 0.28 -0.24
Kompleks 0.26 0.76 0.32 0.22
eigenvalue selalu sama dengan jumlah
Rumit 0.27 0.75 0.36 0.18
total variabel yang dianalisis. Komponen Mewah 0.52 0.66 -0.09 0.21
dengan eigenvalue 4.67, dapat diartikan Fungsional 0.47 -0.44 0.15 0.24
bahwa komponen tersebut mewakili Teratur 0.48 -0.48 -0.16 0.48
4.67 komponen lain. Modern 0.52 0.38 -0.62 -0.08
8
Tabel 4 (kiri bawah). Nilai eigenvalue analisis komponen prinsip. Tabel 5 (kanan bawah). Faktor/variabel
laten hasil faktor analisis. Factor loading masing-masing variabel terukur terhadap faktor/variabel laten, hasil
rotasi varimax 4 komponen prinsip. Komponen prinsip pada analisis komponen prinsip = faktor/variabel
laten pada analisis faktor.
Number Eigenvalue Percent Cum Percent VARIABEL PREFERENSI KOMPLEKSITAS KETERATURAN KEBARUAN
1 4.67 35.90 35.90 Suka 0.85 0.03 0.30 0.19
2 3.05 23.43 59.34 Bagus 0.79 0.15 0.23 0.30
3 1.06 8.14 67.47 Nyaman 0.74 0.01 0.40 -0.04
4 0.73 5.64 73.12 Serasi 0.65 -0.06 0.47 0.18
5 0.67 5.12 78.24 Kompleks -0.03 0.89 -0.08 0.13
6 0.52 3.99 82.23 Rumit 0.01 0.88 -0.10 0.09
7 0.47 3.65 85.88 Mewah 0.08 0.68 0.08 0.53
8 0.40 3.10 88.98 Unik 0.53 0.58 -0.14 0.19
9 0.35 2.70 91.69 Teratur 0.13 -0.15 0.81 0.14
10 0.32 2.50 94.19 Proporsional 0.37 -0.01 0.71 0.04
11 0.29 2.25 96.43 Fungsional 0.35 -0.04 0.60 -0.10
12 0.28 2.14 98.57 Modern 0.16 0.11 0.00 0.88
13 0.19 1.43 100.00 Baru 0.19 0.30 0.09 0.82
Analisis Klaster
Analisis klaster digunakan untuk mengelompokkan kategori berdasarkan kemiripan skor dari setiap
kategori, misalnya seperti yang diperlihatkan pada diagram 15 dan 16, dosen pembimbing
dikelompokkan
Hierarchical Clusteringberdasarkan kontribusi pengetahuan pada struktur konstruksi dan pada desain.
Posisi=dosen
Method Ward pembimbing yang memberikan kontribusi yang hampir sama akan berdekatan.
Dendrogram
1.5
A
E
N Z
1 N
B Y
Q D A
Y B
Z 0.5 E Q
C V K G
C
G
W H W M
L S
KD DESAIN
0
D
H
K
F
-0.5 U R J
V
O
I
O X
R
U -1
F
X P
I -1.5 T
L
M
J
S -2
P -1.5 -1 -0.5 0 0.5 1 1.5
T KD STRUKTUR KONSTRUKSI
Diagram 15 (kiri). Dendrogram klaster dosen studio berdasarkan dua variabel KD struktur konstruksi dan
KD desain. KD struktur konstruksi : kontribusi dosen pada pengetahuan struktur konstruksi mahasiswa. KD
desain : kontribusi dosen pada pengetahuan desain mahasiswa.Huruf kapital A, B, C dst merupakan kode
inisial dosen pembimbing studio. Cabang dendrogram menunjukkan pengelompokan dosen yang dievaluasi
cenderung mirip oleh mahasiswa. Cabang semakin pendek dan dekat menunjukkan kemiripan evaluasi dari
dosen yang bersangkutan semakin tinggi.
Diagram 16 (kanan). Scatter-plot klaster dosen studio berdasarkan variabel KD struktur konstruksi dan KD
desain. Sumbu x, angka semakin besar/semakin ke kanan kontribusi dosen pada pengetahuan struktur
konstruksi mahasiswa semakin besar. Sumbu y, angka semakin besar/semakin ke atas kontribusi dosen pada
pengetauhan desain mahasiswa semakin besar. Jumlah data yang dianalisis 320, dikumpulkan dengan
kuesioner yang dibagikan ke mahasiswa peserta studio tingkat dua, tiga dan empat semester 1 tahun ajaran
2007/2008. Angka/sumbu 0 merupakan nilai rata-rata.
9
Structural Equation Modeling (SEM)
SEM digunakan untuk mengetahui hubungan kausal (regresi) dan hubungan langsung-tidak
langsung (path analysis) antar variabel continuous. SEM juga dapat digunakan untuk
membandingkan dan memilih model yang lebih sesuai fenomena (sesuai dengan data) dengan
melihat indikator goodness of fit index, misalnya dengan membandingkan besaran angka Chi-
square/DF dan RMSEA dua model pada diagram 17 dan 18, dapat ditentukan bahwa model SEM
diagram 18 lebih baik, dan dapat digunakan untuk menyimpulkan fenomena yang diteliti.
.21 .21
-.04
.21
SD1 .27 SD1 .24 .26
.14 .14
.22
.14 .21 SM2 e2 .14 SM2 e2
Diagram 17 (kiri) dan Diagram 18 (kanan). Model SEM variabel laten endogenous (dependent) dan
exogenous (independent) evaluasi studio tingkat dua, tiga dan empat semester 1 tahun ajaran 2007/2008.
Variabel endogenous : KM1 (pengetahuan dan ketrampilan desain dan programming mahasiswa), SM2
(motivasi dan antusiasme mahasiswa mengerjakan tugas) dan KD1 (kontribusi dosen pada pengetahuan
desain, rancang tapak dan programming). Variabel exogenuous : SD1 (kemudahan komunikasi, penjelasan
solusi, tingkat motivasi yang diberikan oleh dosen ke mahasiswa) dan SS2 (daya tarik tugas dan waktu yang
dipergunakan). Angka di samping vektor (garis dengan satu panah) merupakan bobot regresi. Angka di
samping garis dengan dua panah saling berlawanan koefisien korelasi. Angka di atas variabel multiple
correlation coefficient, yang merupakan indikator besaran total pengaruh variabel exogenous terhadap
variabel endogenous. Chi-square/DF atau RMSEA digunakan untuk mengetahui derajat goodness of fit antara
model dengan data. Chi-square/DF mendekati 1 dan RMSEA mendekati 0 model semakin baik.
KESIMPULAN
REFERENSI
1. Barbara M. Byrne (2001). Structural Equation Modeling With Amos. Basic Concepts,
Applications, and Programming. London : Lawrence Erlbaum Associates.
2. Grim, L.G. & Yarnold, P.R. (2001). Reading And Understanding Multivariate Statistics.
Washington : American Psychological Association.
3. Grim, L.G. & Yarnold, P.R. (2002). Reading And Understanding More Multivariate Statistics.
Washington : American Psychological Association.
4. John W. Creswell (2003). Research Design: Qualitative, Quantitative, and Mixed Method
Approaches. London : Sage Publications.
5. Linda Groat & David Wang (2002). Architectural Research Methods. New York : John Wiley
& Sons. Inc.
10