Mahir Statistik Multivariat

dengan SPSS
Sanksi Pelanggaran Pasal 113
Undang-Undang Nomor 28 Tahun 2014
tentang Hak Cipta

1. Setiap Orang yang dengan tanpa hak melakukan pelanggaran hak ekonomi
sebagaimana dimaksud dalam Pasal 9 ayat (1) huruf i untuk Penggunaan
Secara Komersial dipidana dengan pidana penjara paling lama 1 (satu) tahun
dan/atau pidana denda paling banyak Rp100.000.000 (seratus juta rupiah).

2. Setiap Orang yang dengan tanpa hak dan/atau tanpa izin Pencipta atau
pemegang Hak Cipta melakukan pelanggaran hak ekonomi Pencipta
sebagaimana dimaksud dalam Pasal 9 ayat (1) huruf c, huruf d, huruf f,
dan/atau huruf h untuk Penggunaan Secara Komersial dipidana dengan
pidana penjara paling lama 3 (tiga) tahun dan/atau pidana denda paling
banyak Rp500.000.000,00 (lima ratus juta rupiah).

3. Setiap Orang yang dengan tanpa hak dan/atau tanpa izin Pencipta atau
pemegang Hak Cipta melakukan pelanggaran hak ekonomi Pencipta
sebagaimana dimaksud dalam Pasal 9 ayat (1) huruf a, huruf b, huruf e,
dan/atau huruf g untuk Penggunaan Secara Komersial dipidana dengan
pidana penjara paling lama 4 (empat) tahun dan/atau pidana denda paling
banyak Rp1.000.000.000,00 (satu miliar rupiah).

4. Setiap Orang yang memenuhi unsur sebagaimana dimaksud pada ayat (3)
yang dilakukan dalam bentuk pembajakan, dipidana dengan pidana penjara
paling lama 10 (sepuluh) tahun dan/atau pidana denda paling banyak
Rp4.000.000.000,00 (empat miliar rupiah).
Mahir Statistik Multivariat
dengan SPSS

Singgih Santoso

PENERBIT PT ELEX MEDIA KOMPUTINDO

Mahir Statistik Multivariat dengan SPSS

Singgih Santoso

2018 PT Elex Media Komputindo, Jakarta

Hak cipta dilindungi undang-undang
Diterbitkan pertama kali oleh
Penerbit PT Elex Media Komputindo
Kelompok Gramedia, Anggota IKAPI, Jakarta 2018
nadhia@elexmedia.id

ID 718051071
ISBN 9786020477169 (Printed)

Dilarang keras menerjemahkan, memfotokopi, atau memperbanyak sebagian

atau seluruh isi buku ini tanpa izin tertulis dari penerbit.

Dicetak oleh Percetakan PT Gramedia, Jakarta

Isi di luar tanggung jawab percetakan
Daftar Isi
Kata Pengantar ................................................................................................. v
Daftar isi ........................................................................................................... vii

Bab 1: Pendahuluan ......................................................................................... 1

1.1. Peran Teknologi Informasi .............................................................................. 3
1.4. Pengertian Analisis Multivariat ....................................................................... 8
1.5. Jenis Data dalam Analisis Multivariat ............................................................. 9
1.6. Klasifikasi Metode Statistik Multivariat .......................................................... 12
1.7. Isi File pada Buku Statistik Multivariat ........................................................... 14

Bab 2: Uji dan Seleksi Data ............................................................................. 17

2.1. Jenis dan Cara Pengujian Data......................................................................... 18
2.2. Missing Data Analysis....................................................................................... 18
2.3. Perlakuan Terhadap Missing Data .................................................................. 31
2.4. Uji Data Outlier ................................................................................................ 35
2.5. Uji Normalitas Data ......................................................................................... 49

Bab 3: Analisis Faktor ...................................................................................... 69

3.1. Hal-Hal tentang Analisis Faktor ..................................................................... 70
3.2. Proses Dasar Analisis Faktor ............................................................................ 71
3.3. Tahap Pertama Analisis Faktor: Menilai Variabel yang Layak ....................... 75
3.4. Tahap Kedua Analisis Faktor: Proses Factoring dan Rotasi .......................... 90
3.5.Tahap Ketiga Analisis Faktor: Validasi Faktor .............................................. 108
3.6. Tahap Keempat Analisis Faktor: Membuat Factor Scores .......................... 118

vii
Bab 4: Analisis Cluster .................................................................................. 123
4.1. Hal-Hal Pokok tentang Analisis Cluster ...................................................... 125
4.2. Analisis Cluster: K-Means Cluster ................................................................ 130
4.3. Hierarchical Cluster ...................................................................................... 146
4.4. Crosstab dan Grafik untuk Output Cluster ................................................. 158

Bab 5: Analisis Diskriminan ........................................................................ 169

5.1. Hal-Hal Pokok tentang Analisis Diskriminan ............................................ 172
5.2. Analisis Diskriminan Dua Faktor ................................................................. 176
5.3. Analisis Diskriminan Tiga Faktor ................................................................. 201
5.4. Logistic Regression ........................................................................................ 221

Bab 6: Manova............................................................................................... 233

6.1. Hal-Hal Pokok tentang MANOVA .............................................................. 234
6.2. General Linear Model (GLM) ....................................................................... 237
6.3. MANOVA (Factorial Design) ....................................................................... 248
6.4. MANOVA (GLM Multivariat) ..................................................................... 256
6.5. Custom Model .............................................................................................. 268

Bab 7: Korelasi Kanonik ............................................................................... 277

7.1. Hal-Hal Pokok tentang Korelasi Kanonik................................................... 278
7.2. Contoh Aplikasi Korelasi Kanonik ............................................................... 280

Bab 8: Conjoint Analysis .............................................................................. 299

8.1. Hal-Hal Pokok tentang Conjoint Analysis ................................................... 299
8.2. Kasus Conjoint Analysis (1) .......................................................................... 302
8.3. Kasus Conjoint Analysis (2) .......................................................................... 321

viii
Bab 1
Pendahuluan

Saat ini analisis multivariat mulai banyak diaplikasikan dalam berbagai

bidang ilmu, sebagai pelengkap analisis statistik univariat dan statistik
bivariat dalam analisis data. Seiring dengan kemajuan di bidang teknologi
informasi, statistik multivariat dipastikan akan menggantikan peran
pengolahan dan analisis data dari analisis univariat dan bivariat, walaupun
tidak akan dapat menggantikannya secara total. Namun demikian,
sesungguhnya tidak mudah untuk mengartikan secara tepat apa itu statistik
multivariat; untuk itu, sebuah ilustrasi sederhana berikut diberikan agar
pengertian secara umum dapat diperoleh terlebih dahulu.

Misalkan ada sebuah restoran yang laris dan selalu dipenuhi pengunjung,
apalagi pada hari sabtu-minggu dan hari libur nasional; sejak buka di siang
hari, restoran tersebut tidak pernah sepi pengunjung, baik mereka yang
datang secara individu, bersama teman maupun keluarga. Pada jam sibuk,
para pengunjung bahkan rela antri untuk mendapatkan menu mereka.
Pertanyaan yang muncul biasanya adalah: apa yang menjadi daya tarik para
pengunjung? Mengapa mereka selalu menyempatkan diri ke tempat tersebut
jika waktunya memungkinkan? Mengapa restoran atau warung makan lain
yang menjual menu masakan yang sama dan ada di sekitar restoran tersebut
tidak selaris restoran ini? Pertanyaan-pertanyaan tersebut cukup kompleks,
dan tidak mudah untuk menjawab dengan satu dua kalimat.

Jika akan dilakukan riset untuk menjawab sebagian dari pertanyaan-

pertanyaan diatas, masalah riset dapat diringkas menjadi: faktor-faktor
apakah yang membuat restoran tersebut laris? Jika masalah riset tersebut
diurai lebih rinci lagi, dapat menjadi: variabel-variabel apakah yang
membuat restoran tersebut dipenuhi pengunjung?

1
Sejumlah (variabel) penyebab dapat dikemukakan, seperti pelayanan yang
memuaskan, letak yang strategis, adanya diskon pada menu-menu tertentu,
suasana restoran yang menyenangkan, harga yang sesuai dengan kualitas,
rasa masakan yang enak, dan sejumlah faktor lainnya. Sedangkan (variabel)
‘akibat’ yang terjadi adalah jumlah pengunjung yang banyak atau loyalitas
pelanggan yang tinggi.

Masakan enak
Suasana nyaman
Harga murah Pengunjung banyak
Menu lengkap
.............. dst

Secara ringkas, dapat dikatakan ada banyak variabel yang terlibat di dalam
kasus ini; pertanyaan kemudian adalah bagaimana hubungan yang ada di
antara variabel-variabel yang cukup banyak tersebut? Apakah harga yang
murah menjadi variabel utama yang berpengaruh pada jumlah pengunjung?
Apakah rasa masakan yang membuat pengunjung demikian banyak? Adakah
hubungan antara lokasi strategis dengan jumlah pengunjung? Demikian
seterusnya ada berbagai kombinasi hubungan yang jika dikembangkan lagi
akan menjadi kompleks.
Jika menggunakan statistik univariat yang hanya menggunakan satu variabel,
maka alat-alat statistik univariat yang selama ini dikenal, seperti uji t atau
ANOVA, jelas tidak memadai untuk menjelaskan hubungan antar variabel
seperti pada kasus diatas. Sebagai contoh, uji t hanya mampu menjelaskan
apakah pengunjung di hari senin berbeda dengan di hari selasa; uji F
(ANOVA) pun hanya mampu menguji perbedaan loyalitas pelanggan antara
pelanggan dari keluarga, pelanggan individu dan pelanggan yang datang
bersama teman. Kedua alat tersebut mempunyai keterbatasan untuk dapat
mengupas sebab-akibat lebih jauh lagi.
Demikian pula dengan alat-alat statistik bivariat; metode seperti korelasi atau
regresi sederhana hanya mampu menjelaskan hubungan dua variabel.
Contoh analisis korelasi dan regresi adalah: apakah ada hubungan antara
loyalitas pelanggan dengan jumlah pengunjung restoran? Apakah ada
hubungan antara letak restoran dengan jumlah pelanggan? Apakah harga
berpengaruh pada naik-turunnya jumlah pengunjung? Serta contoh-contoh
lain yang hanya melibatkan dua variabel dari kasus di atas.

2
Alat-alat statistik univariat dan bivariat tersebut tentu berguna untuk
menjelaskan hubungan antar variabel atau antar grup dalam satu variabel.
Namun semuanya hanya menjelaskan sebagian hubungan yang sifatnya
parsial; tidak mungkin alat-alat itu dapat menjelaskan hubungan yang
kompleks secara komprehensif. Padahal, dalam kenyataannya perilaku
seseorang justru bersifat simultan; loyalitas seorang pelanggan lebih masuk
akal bila dipengaruhi oleh harga murah, rasa masakan yang enak, lokasi yang
strategis dan sejumlah faktor lain yang dipikirkan oleh pelanggan tersebut
secara bersamaan. Jarang seorang pelanggan akan loyal hanya karena
lokasinya yang strategis; ia akan mempertimbangkan juga faktor lain yang
menurutnya relevan dalam pengambilan keputusan belinya.
Dengan demikian, harusnya ada metode statistik yang dapat
mempertimbangkan sekian banyak faktor untuk menjelaskan hubungan
yang terjadi dalam sebuah fenomena sosial atau alam yang kompleks.
Metode itu dinamakan statistik multivariat. Kata ‘multi’ menunjukkan
kemampuan metode tersebut, dan sekaligus juga ciri dari metode itu, untuk
mengolah sekian variabel secara bersama-sama untuk menjawab persoalan
statistik tertentu.
Selain dalam ilmu sosial seperti contoh diatas, statistik multivariat banyak
digunakan dalam bidang ilmu lain yang mengharuskan sejumlah variabel
dianalisis secara simultan. Pada bidang pertanian, pertumbuhan tanaman
tidak dapat dikatakan disebabkan satu faktor saja, misalkan jumlah pupuk
yang diberikan. Selain pupuk, banyak variabel lain yang berpengaruh, seperti
asupan air, sinar matahari, faktor cuaca, kesuburan tanah, ketrampilan
bertani seseorang dan ketrampilan teknis lainnya. Pada bidang kesehatan,
banyak faktor yang secara bersama-sama berdampak pada kesehatan tubuh
manusia, seperti asupan lemak, asupan karbohidrat, asupan vitamin dan
mineral, tingkat stres seseorang, jam tidur setiap hari, dan faktor-faktor
lainnya.

1.1. Peran Teknologi Informasi

Jika memang banyak fenomena atau masalah penelitian melibatkan banyak
variabel yang seharusnya dianalisis secara simultan, lalu mengapa dalam
praktek banyak pengolahan data hanya melibatkan satu dua variabel saja?
Pada masa lalu, saat teknologi informasi belum berkembang, penggunaan
metode statistik yang ‘sederhana’ seperti uji t atau uji F mungkin saja terjadi.
Hal ini dikarenakan statistik multivariat membutuhkan banyak perhitungan
matematis yang tidak memungkinkan dilakukan secara manual.

3
Sebagai misal, metode regresi sederhana dan regresi berganda; regresi
sederhana, yang hanya melibatkan satu variabel dependen dan satu variabel
independen, sering digunakan dalam praktek karena proses pencarian
koefisien regresi cukup sederhana. Dengan menambah satu variabel
independen, disebut dengan regresi berganda, proses penghitungan menjadi
kompleks. Jika variabel independen menjadi tiga atau lebih, kemampuan
penghitungan manual menjadi hampir tidak mungkin dilakukan. Demikian
pula dengan banyak metode multivariat lain, seperti analisis faktor, analisis
diskriminan, yang tingkat kompleksitasnya dapat melebihi metode regresi
berganda.
Namun perkembangan teknologi informasi di tahun 1990 an, khususnya di
bidang software statistik, memungkinkan proses penghitungan metode
multivariat dilakukan dengan cepat dan tepat. Software seperti SPSS, Eviews
atau Minitab dapat memproses data multivariat dalam jumlah puluhan
bahkan ratusan dengan hasil yang memuaskan. Bahkan pengembangan
software SPSS sudah merambah pada kegiatan data mining dan neural
network, yang merupakan ‘kelanjutan’ dari multivariat, dengan tingkat
kompleksitas yang lebih tinggi lagi.
Dalam praktek, hampir semua metode multivariat, kecuali regresi berganda
dengan melibatkan hanya dua variabel independen, tidak mungkin
diselesaikan lewat perhitungan manual. Semuanya mengandalkan teknologi
informasi, dalam hal ini adalah software statistik, untuk pengolahan datanya;
apa yang dulu tidak dapat dibayangkan oleh para ahli statistik karena
keterbatasan manusia, menjadi mungkin dan mudah di era informasi
sekarang ini. Karena metode multivariat melibatkan banyak variabel, maka
perhitungannya menjadi jauh lebih kompleks dibandingkan analisis yang
hanya menggunakan satu atau dua variabel. Dalam hal ini, walaupun ada
berbagai teori, seperti teori faktor, teori diskriminan dan sebagainya, dalam
praktek teori-teori tersebut akan sangat sulit diaplikasikan tanpa bantuan
komputer.

1.2. Penggunaan Metode Statistik Univariat,

Bivariat dan Multivariat
Namun demikian, hal ini tidak berarti semua pengolahan data statistik harus
dilakukan dengan metode statistik multivariat. Memang banyak fenomena
yang seharusnya dilihat secara ‘total’ dengan melibatkan banyak variabel,
namun hal ini tidak berarti metode univariat atau bivariat sudah tidak
diperlukan lagi!

4
Banyak tujuan pengolahan data yang sifatnya sederhana dan tidak perlu
melibatkan banyak variabel; satu dua variabel sudah cukup untuk
menyelesaikan masalah tersebut.
Metode univariat untuk parametrik adalah uji t, uji z, dan anova; untuk nonparametrik
adalah uji runs, uji binomial, uji Kolmogorov-Smirnov dan lainnya. Sedangkan metode
bivariat untuk parametrik adalah uji korelasi dan regresi sederhana, dan untuk
nonparametrik adalah uji korelasi Spearman, uji korelasi Kendal dan lainnya.

Secara sederhana hal ini dapat dianalogikan dengan upaya membasmi

nyamuk; secara ‘teoritis,’ ada berbagai cara untuk itu, seperti menggunakan
obat nyamuk, alat semacam ‘raket’ listrik, pemukul nyamuk, tangan kosong,
bahkan ‘bom’ sekalipun! Obat nyamuk pun bervariasi, seperti obat nyamuk
bakar, semprot atau oles tangan (pencegahan). Mana yang paling tepat
digunakan? Sebenarnya tidak ada yang paling tepat, namun dicari alat yang
paling efektif dalam kondisi tertentu. Jika hanya ada satu dua nyamuk yang
berseliweran di sekitar muka kita, tangan kosong pun mungkin sudah cukup;
namun jika jumlah nyamuk cukup banyak di dalam sebuah ruangan, ‘raket’
listrik dapat dipertimbangkan. Namun jika jumlah nyamuk sudah banyak
dan menganggu, obat nyamuk adalah yang paling efektif. Tentu saja sebuah
‘bom’ untuk ratusan nyamuk pun jelas tindakan berlebihan!
Demikian pula dengan kegiatan pengolahan data. Jika tujuan pengolahan
data bersifat sederhana dan praktis, statistik univariat seperti uji t atau anova
sudah sangat memadai. Dalam praktek justru kedua uji ini sangat efektif.
Seorang manajer penjualan yang ingin mengetahui perbedaan penjualan
produk merk X di empat kabupaten yang berbeda cukup menggunakan
anova; manajer tersebut sudah dapat mengambil kesimpulan apakah rata-
rata penjualan di empat kabupaten tersebut berbeda secara signifikan
ataukah tidak. Karena tujuannya hanya mengetahui ada tidak perbedaan
penjualan, data yang dibutuhkan hanyalah penjualan pada periode tertentu;
ia tidak memerlukan data kepuasan konsumen, data biaya promosi, data
sewa outlet, atau bahkan data pertumbuhan penduduk di empat kabupaten
tersebut!

Data penjualan
merek X di empat Penjualan
kabupaten beda/tidak?
ANOVA

5
Namun demikian, jika kemudian manajer tersebut menemukan adanya
perbedaan penjualan, lalu memutuskan untuk menganalisis lebih dalam lagi,
ia dapat menambah dengan data selain data penjualan. Misalkan manajer
penjualan tersebut sekarang ingin mengetahui apakah kepuasan konsumen,
biaya promosi yang besar dan pertumbuhan penduduk yang cukup pesat di
sebuah daerah mempengaruhi penjualan; untuk itu, ia membutuhkan
banyak variabel, dan metode Anova sudah tidak mungkin menangani tujuan
pengolahan data semacam itu. Ia dapat beralih ke metode statistik
multivariat yang lebih kompleks, seperti metode regresi berganda.

Data penjualan
Data kepuasan Penjualan merek X
konsumen
....dll Regresi ganda

Contoh lain: jika ingin diketahui apakah jumlah pupuk mempengaruhi

tinggi tanaman, dan seberapa jauh pengaruh tersebut. Untuk masalah seperti
ini, cukup digunakan analisis korelasi dan regresi sederhana, yang termasuk
analisis bivariat. Atau jika ingin diketahui apakah jumlah penduduk Jakarta
yang miskin berbeda dengan jumlah penduduk Surabaya yang miskin, hal ini
cukup dianalisis dengan t test paired. Hal ini dapat pula dianalogikan bahwa
walaupun sebuah pesawat terbang mampu mengangkut sejumlah besar
orang ke tempat yang jauh dengan sangat cepat, namun jika seseorang dari
Jakarta ingin pergi ke Tangerang, menggunakan bis kota atau mobil atau
bahkan sepeda motor jauh lebih efisien daripada naik pesawat terbang (jika
itu dimungkinkan).
Contoh-contoh sederhana diatas sekedar menggambarkan bahwa teknologi
informasi memang telah berperan besar dalam mempertajam dan
memperdalam analisis data; namun demikian hal ini tidak akan membuat
metode statistik sederhana seperti uji t atau anova menjadi tidak diperlukan
lagi. Setiap metode mempunyai karateristik dan kompleksitas yang berbeda,
yang pada akhirnya tergantung pada tujuan analisis serta kompleksitas
masalah yang dihadapi.

6
1.3. Software Statistik yang Digunakan
Seperti telah dijelaskan, pengembangan teknologi informasi, khususnya di
bidang software, telah memungkinkan pengolahan data dengan berbagai
metode multivariat dilakukan. Saat ini banyak software statistik yang dapat
digunakan untuk hal itu, seperti SPSS, Eviews, Minitab, SAS, Statistica, dan
lainnya. Khusus untuk analisis model struktural (structural equation
modelling/SEM), dapat digunakan software AMOS, Lisrel, atau PLS.
Semua software tersebut, dengan kelebihan dan kekurangan masing-masing,
pada dasarnya sudah sangat memadai untuk mengolah data dan dilengkapi
dengan berbagai metode multivariat ‘standar.’ Perkecualian hanya untuk
Eviews yang memang didesain untuk analisis data ekonomi (makro) dan
lebih powerful pada jenis data panel; hal ini berbeda dengan software SPSS
atau Minitab yang memang lebih tepat digunakan untuk pengolahan data
bidang manajemen dan bisnis.
SPSS dipilih sebagai software yang digunakan untuk pengolahan data
multivariat pada buku ini; pemilihan lebih dikarenakan fakta bahwa SPSS
adalah software statistik terpopuler di dunia, termasuk di Indonesia. SPSS
sejak awal memang berkomitmen mengembangkan prosedur statistik yang
dapat digunakan pada bidang bisnis, mulai dari yang sederhana, cukup
kompleks seperti multivariat, metode SEM (dengan mengakuisisi software
AMOS), sampai aplikasi data mining lewat software Clementine. Keunggulan
lain adalah tampilan SPSS yang sudah ‘setara’ dengan Excel, bahkan dalam
pengolahan grafik-grafik statistiknya sudah melampaui software andalan
Microsoft tersebut; selain itu, penggunaan menu-menu di SPSS sangat user
friendly, lebih mudah dan simpel dibandingkan Minitab yang mengharuskan
pengguna membuka banyak window.
Saat buku ini direvisi, software SPSS terbaru yang dirilis adalah SPSS 24. Namun
demikian, data yang digunakan dalam buku ini bisa diproses dengan SPSS versi
terdahulu (misal SPSS 17, SPSS 18, dan seterusnya); output yang diperoleh praktis
sama, baik menggunakan SPSS versi terdahulu ataupun SPSS versi terbaru (SPSS 24).
Perbedaan yang mungkin timbul dengan yang ditampilkan di buku ini lebih pada beda
tampilan dan format output, namun isi dan interpretasi tidak ada yang berbeda.

Namun sebelum membahas lebih jauh berbagai metode multivariat dan cara
pengolahan datanya dengan SPSS, berikut dijelaskan terlebih dahulu
pemahaman tentang analisis multivariat.

7
1.4. Pengertian Analisis Multivariat
Secara umum, analisis multivariat atau metode multivariat berhubungan
dengan metode-metode statistik yang secara bersama-sama (simultan)
melakukan analisis terhadap lebih dari dua variabel pada setiap obyek atau
orang. Jadi bisa dikatakan analisis multivariat merupakan perluasan dari
analisis univariat (seperti uji t) atau bivariat (seperti metode korelasi dan
regresi sederhana).
Analisis multivariat adalah analisis multi variabel dalam satu atau lebih hubungan.
Analisis ini berhubungan dengan semua teknik statistik yang secara simultan
menganalisis sejumlah pengukuran pada individu atau obyek.

Sebagai contoh, jika dilakukan analisis regresi sederhana, dengan satu

variabel Y dan satu variabel X, maka analisis seperti itu dikatakan bivariat,
karena ada dua (bi) variabel, X dan Y. Sedangkan, jika dilakukan analisis
regresi berganda, dengan satu variabel Y. dan dua variabel X (X1 dan X2),
maka analisis sudah bisa dikatakan multi variat, karena ada tiga variabel (Y,
X1 dan X2).
Variat bisa didefinisikan sebagai suatu kombinasi linier dari variabel-variabel dengan
bobot variabel yang ditentukan secara empiris.

Sebagai contoh, ada persamaan regresi berganda:

Nilai variat=w 1 .X 1 +w 2 .X 2 +w 3 .X 3 +…+w n .X n
Disini X n adalah variabel yang telah ditentukan oleh peneliti, sedang w n
adalah hasil dari proses multivariat. Nilai variat adalah hasil dari proses
perkalian dan penjumlahan w dan X, yang menghasilkan suatu nilai variat
tertentu.
Dalam praktek, jenis data – atau bisa juga disebut jenis variabel- menentukan
metode multivariat mana yang akan digunakan. Secara praktis, harus
diketahui terlebih dahulu termasuk jenis data manakah X 1 itu? termasuk
jenis data manakah X 2 itu? Demikian seterusnya. Kesalahan dalam memilih
metode yang cocok berdasar jenis datanya akan berakibat hasil pengolahan
data menjadi bias. Hal ini berlaku juga pada pemilihan metode statistik
multivariat, sebagaimana hal ini telah berlaku pada pemilihan metode
statistik univariat dan bivariat.
Untuk itu berikut akan dibahas terlebih dahulu beragam jenis data yang
secara teoritis ada dalam praktek.

8
TeNTANG pENULIS

Singgih Santoso adalah lulusan program Magister Manajemen Universitas

Indonesia dan program Doktor bidang Manajemen Universitas Gadjah
Mada, yang sekarang bekerja sebagai dosen, trainer, dan konsultan
manajemen.

Email: singgih.santoso@gmail.com


Catatan:
Untuk melakukan pemesanan buku, hubungi
Layanan Langsung PT Elex Media Komputindo:
Gramedia Direct
Jl. Palmerah Barat No. 33, Jakarta 10270
Telemarketing/CS: 021-53650110/111 ext: 3901/3902
Email: cs@gramediapublishers.com
Layanan online: www.gramediashop.com

387