MULTIVARIATE DATA ANALISIS

DAN NONPARAMETRIK
STATISTIK UNTUK PENELITIAN
BIDANG MANAJEMEN

Oleh :
M. S. Idrus
MULTIVARIATE DATA ANALISIS DAN
NONPARAMETRIK STATISTIK UNTUK
PENELITIAN BIDANG MANAJEMEN

Penulis :
M. S. Idrus

© 2013

Diterbitkan Oleh:

Jl. Taman Pondok Jati J 3, Taman Sidoarjo

Telp/fax : 031-7871090
Email : zifatama@gmail.com

Cetakan Pertama, September 2013

Ukuran buku : 15.5 cm x 23 cm, 231 hal
Layout & Desain Cover : Miftakhul Jannah
ISBN : ...-...-.....-.-.
Hak Cipta dilindungi undang-undang. Dilarang memperbanyak atau memindahkan sebagian atau
seluruh isi buku ke dalam bentuk apapun, secara elektronis maupun mekanis, termasuk fotokopi,
merekam, atau dengan teknik perekaman lainnya, tanpa izin tertulis dari Penerbit. Undang-Undang
Nomor 19 Tahun 2000 tentang Hak Cipta, Bab XII Ketentuan Pidana, Pasal 72, Ayat (1), (2), dan (6)

2
 KATA PENGANTAR

Materi ini dipersiapkan dalam rangka peningkatan kemampuan

Mahasiswa Program Magister dan Program Doktor yang sedang melakukan
penelitian dibidang Manajemen.
Kemampuan tersebut terkait dengan kemampuan analisis
kuantitative baik dengan menggunakan multivariate data analisis maupun
dengan penggunaaan analisa non-parametika dibidang management.
Penulis telah lama mempersiapkan materi ini, dan telah di uji coba
didalam kelas pada saat penulis mengajarkannya.
Textbook utama yang terkait dengan bahan ini adalah :
1. Hair J.E., Anderson R.E., Tatam R.L., dan Black W.C., edisi tahun
1998, atau 2006 Multivariate Data Analysis 5th atau 6th edition,
Prentice Hall International, London.
2. Hair J.E., Black W C, Babin B J, dan Anderson R.E, 7ed, 2010,
Multivariate Data Analysis , Prentice Hall International, London
3. Malhotra, N, Marketing Research–Applied Orientation, 3rd (1999)
atau 4th (2004) atau 6th ed, 2010. Prentice Hall International London.
Materi ini juga mengkombinasikan Multivariate data analisis dengan
memanfaatkan beberapa software statistik a.l. :
1) SPSS for Window ver 11.5. 12 hingga 21
2) Amos ver 4.01 hingga 21 (paket Stuctural Equation
Modelling)
3) LISREL ver. 8.30
4) MINITAB ver 13.2 – 2001 (untuk Forecasting)
Penulis berterima kasih kepada Sdr. Dr. Priyono MS yang bersedia
melakukan koreksi agar materi ini dapat diterbitkan dengan baik, dan tepat
pada waktunya.
Kepada semua pihak penulis mengucapkan terima kasih atas perhatiannya,
segala kritik dan saran akan kami perhatikan.

M. S Idrus

i
 DAFTAR ISI
Hal.
Kata Pengantar ..................................................... ii

Daftar Isi ............................................................... iii

iv
Daftar file yang dipergunakan .........................................

No. Bab
1. Perkenalan dengan SPSS ..................................... 6
2. Frequency .............................................................. 9
3. Cross Tabulasi ........................................................ 15
- Contoh lainnya ( hal.19)
4. ANOVA ................................................................... 25
- Contoh lainnya (hal.27)
- Contoh ketiga (hal 29)
5. N – way ANOVA ..................................................... 35
6. Analysis of Covariance .......................................... 38
7. Correlation ............................................................. 40
8. Bivariate dan Multiple regression 44
analysis................
9. Regression with dummy dependent variabel...... 48
- LPM (hal 48)
- LOGIT MODEL (HAL 53)
- PROBIT DAN NORMIT MODEL (HAL 56)
10. Discriminant Analysis ......................................... 61
11. Factor Analysis ...................................................... 70
12. Cluster Analysis .................................................... 82
13. Multidimensional Scaling ...................................... 88
14. Conjoint Analysis (dengan MINITAB dan Systat 97
dan SPSS ).................

ii
15. Path Analysis .......................................................... 116
16. Structural Equation Model ................................... 119
16.1. LISREL 8.0 (hal. 119)
16.2. AMOS 4.01 s/d AMOS 21 (hal 131)
16.3. GESCA (hal 142)
17. Non-parametrik Statistik ...................................... 155
17.1 Uji Binomial (hal.159)
17.2. Uji Run Test (hal 163)
17.3. Wilcoxon T test – signed test (hal.165)
17.4. Mann-Whitney U test (hal.167)
17.5. Cross Tabulasi – χ2 –test (hal.169)
17.6. χ2 – test beda proporsi (hal. 172)
17.7. Anova (hal. 174)
Daftar Pustaka ...................................................... 177
Lampiran penggunaan uji t, Z, F, c 2
test dengan
179
MINITAB ............................
Lampiran tabel statistik…t, Z, χ2, F, d-w , serta
Tabel K_S dan penggunaannya ..................................
195
Lampiran model prilaku konsumen dan Prilaku
Organisasi , serta Pengertian and komponent teori..........
205

iii
 DAFTAR FILE DATA YANG
DIPERGUNAKAN

Jika kita menggunakan data pada Malhotra edisi 1996, 1999, 2004,
daftar data yang dipergunakan sebagai berikut (data dapat di download
pada textbook Malhotra) :

File
No. Model analisis File 1999 File2004
1996
01_frequency_
1. Frequency M516 MP565
p428

1. MP447
Cross Tabulation 02_data_anova_
2. M554 2. MP554Anova
Dan ANOVA p474
3. MP114anova

3. Correlation M577 MP522

4. Regression –bivariate M577 MP528 03_correlasi_
Regression regressi_p498
5. M577 MP541
Multivariate
Discriminant 04_discriminant_
6. M622 MP565
Analysis p538
05_factoranalysis_
7. Factor Analysis M649 MP590
p563
06_cluster_
8. Cluster Analysis M676 MP616
analysis_p590
07_
Multidimensional
9. M699 MP639 multidimensional_
Scaling scaling_p614
10. Conjoint Analysis* M710 MP653 M_627_CA
Agusty_model
11. Path analysis Hadiutomo_
model

iv
12. Non-Parametrik

v
 BAB
Perkenalan dengan Paket SPSS 11.5 atau
01 21 serta – AMOS 4.0 s/d 21:

Tampilan Sofwares berikut untuk melihat paket multivariate data

analisis apa saja yang tersedia pada softwares tersebut.

Biasanya para peneliti / mahasiwa program S2 dan S3 membutuhkan

alat untuk melakukan analisis seperti : (1) Frequenciy, (2) Cross
Tabulasi, (3) ANOVA,N – (4) way ANOVA, (5) Analysis of Covariance
, (6) Correlation, Bivariate (7) Multiple Regression (8) Regression
with dummy dependent variabel, (9) Discriminant Analysis, (10)
Factor Analysis, (11) Cluster Analysis, (12) Multidimensional Scaling
(13) Conjoint Analysis (diselesaikan dengan software MINITAB,
SYSTAT atau SPSS (14) Path Analysis dan (15) Structural Equation
Model (baik dengan LISREL, AMOS, maupun GESCA).

Tampilan paket SPSS 11.5 sbb:

6
Tampilan SPSS 21 :

7
 Tampilan AMOS 21 :

Dengan memperhatikan softwares diatas, terdapat 15 (lima belas) tehnik

analisis yang dapat dipergunakan.

8
 BAB
Frequency
02
Frequency, bagian dari descriptive statistics yang dipergunakan
untuk meringkaskan (summarize) data seperti mencari rata-rata, nilai
maximum dan minimun, standard deviasi, range dan yang sejenisnya.
Misalkan kita mempunyai data yang disadur dari Malhotra, 1999,
halaman 565 (Malhotra,1999) (atau file MP565.sav atau 04_
discriminant_p583 pada Malhotra, edisi 2004) sbb :
Data Asli sebanyak 30 sample sebagai berikut :

Prosedure dan hasil analisis frequency ini adalah sebagai

berikut dengan prosedure sbb :
Tahapan yg harus dilakukan adalah :
a. Panggil Paket ‘frequency pada descriptive statistic’ sbb :

9
 b. Cari Nilai nilai yang diinginkan misalnya rata-rata,SD,
Range, Max dan Min dan terkait dengan informasi
frequency :

c. Hasil yang diinginkan misalnya rata-rata,SD, Range, Max

dan Min dan terkait dengan informasi frequency sebagai
berikut (untuk memasukkan hasil / output SPSS versi 10.05 –
cukup di ‘cut atau copy’ pada ‘output.spo’ spss’ kemudian di
‘paste’ pada file word yang diinginkan) :

Importance
Attitude Age of
Income attached household
toward head of
($1000) to family size
travel household
vacation

N Valid 30 30 30 30 30

10
 Missing 0 0 0 0 0
Mean 51,2167 4,8667 4,9333 3,5667 51,9333
Std. Error
2,3361 ,3611 ,3834 ,2430 1,5654
of Mean
Median 49,7500 5,0000 5,0000 3,0000 54,0000
Mode 57,00 5,00 5,00 2,00 57,00
Std.
12,7952 1,9780 2,0998 1,3309 8,5740
Deviation
Variance 163,7180 3,9126 4,4092 1,7713 73,5126
Skewness ,350 -,461 -,145 ,411 -,285
Std. Error
of Skew- ,427 ,427 ,427 ,427 ,427
ness
Kurtosis -,960 -,637 -1,097 -,964 -,631
Std. Error
,833 ,833 ,833 ,833 ,833
of Kurtosis
Range 42,90 7,00 7,00 4,00 32,00
Minimum 32,10 1,00 1,00 2,00 36,00
Maximum 75,00 8,00 8,00 6,00 68,00
Sum 1536,50 146,00 148,00 107,00 1558,00

a Multiple modes exist. The smallest value is shown

Dengan menggunakan Data Frequency pada halaman 428 -

Malhotra – 2004 (01_frequency_p428) sbb :

11
Data diberi Label untuk sebagai berikut :

12
Analisa dengan frequency sbb :

13
Output hasil analisis ini sbb :
Familiarity (fam)

Cumulative
Frequency Percent Valid Percent
Percent
Valid 2,00 2 6,7 6,9 6,9
3,00 6 20,0 20,7 27,6
4,00 6 20,0 20,7 48,3
5,00 3 10,0 10,3 58,6
6,00 8 26,7 27,6 86,2
very
familiar 4 13,3 13,8 100,0
(7)
Total 29 96,7 100,0
Missing 9,00 1 3,3
Total 30 100,0

14
 BAB
Cross
03 Tabulation

Misalkan akan disusun sebuah tabel hubungan antara internet usage

(jam / minggu) dengan jenis kelamin (Cross-Tabulation data yang
dipergunakan ( Data 02_data_anova_p474)) sbb :

Procesnya sbb :

Statistics yang diinginkan adalah : (Chi-Square, C- Contingncy, Phi,

Lamda yang mununjukkan adanya hubungan antara Jenis Kelamin
dengan Penggunaan Internet (dalam Jam)

15
 Hasilnya sbb :

Internat Usage hours per week (iu) * Sex

Crosstabulation

Sex Total

Male (1) Famale (2)

Internat Usage
hours per week
2,00 Count 0 4 4

(iu)
Expected Count 2,0 2,0 4,0
% within Inter-
nat Usage hours ,0% 100,0% 100,0%
per week (iu)
% within Sex ,0% 26,7% 13,3%
% of Total ,0% 13,3% 13,3%
3,00 Count 1 4 5
Expected Count 2,5 2,5 5,0
% within Inter-
nat Usage hours 20,0% 80,0% 100,0%
per week (iu)
% within Sex 6,7% 26,7% 16,7%
% of Total 3,3% 13,3% 16,7%
4,00 Count 2 2 4
Expected Count 2,0 2,0 4,0
% within Inter-
nat Usage hours 50,0% 50,0% 100,0%
per week (iu)
% within Sex 13,3% 13,3% 13,3%
% of Total 6,7% 6,7% 13,3%

5,00 Count 2 0 2
Expected
1,0 1,0 2,0
Count
% within In-
ternat Usage
100,0% ,0% 100,0%
hours per
week (iu)
% within Sex 13,3% ,0% 6,7%
% of Total 6,7% ,0% 6,7%

16
 6,00 Count 0 5 5
Expected
2,5 2,5 5,0
Count
% within In-
ternat Usage
,0% 100,0% 100,0%
hours per
week (iu)
% within Sex ,0% 33,3% 16,7%
% of Total ,0% 16,7% 16,7%
Internat Usage hours per week (iu) * Sex Crosstabulation

(lanjutan)

8,00 Count 1 0 1
Expected Count ,5 ,5 1,0
% within Inter-
nat Usage hours 100,0% ,0% 100,0%
per week (iu)
% within Sex 6,7% ,0% 3,3%
% of Total 3,3% ,0% 3,3%

Internat
9,00 Count 3 0 3
Usage
hours per
week (iu)
Expected Count 1,5 1,5 3,0
% within Inter-
nat Usage hours 100,0% ,0% 100,0%
per week (iu)
% within Sex 20,0% ,0% 10,0%
% of Total 10,0% ,0% 10,0%
13,00 Count 2 0 2
Expected Count 1,0 1,0 2,0
% within Inter-
nat Usage hours 100,0% ,0% 100,0%
per week (iu)
% within Sex 13,3% ,0% 6,7%
% of Total 6,7% ,0% 6,7%
14,00 Count 2 0 2
Expected Count 1,0 1,0 2,0

17
 % within Inter-
nat Usage hours 100,0% ,0% 100,0%
per week (iu)
% within Sex 13,3% ,0% 6,7%
% of Total 6,7% ,0% 6,7%

15,00 Count 2 0 2
Expected
1,0 1,0 2,0
Count
% within In-
ternat Usage
100,0% ,0% 100,0%
hours per
week (iu)
% within Sex 13,3% ,0% 6,7%
% of Total 6,7% ,0% 6,7%
Total Count 15 15 30
Expected
15,0 15,0 30,0
Count
% within In-
ternat Usage
50,0% 50,0% 100,0%
hours per
week (iu)
% within Sex 100,0% 100,0% 100,0%
% of Total 50,0% 50,0% 100,0%

Hasil statistik lainnya :

Asymp. Std. Approx.
Value Approx. Sig.
Error(a) T(b)
Nominal by
Nominal
Phi ,872 ,007

Cramer’s V ,872 ,007

Contingency
,657 ,007
Coefficient
Ordinal by
Kendall’s tau-b -,546 ,095 -5,639 ,000
Ordinal
Kendall’s tau-c -,724 ,128 -5,639 ,000
Gamma -,751 ,125 -5,639 ,000
Spearman Cor-
-,633 ,111 -4,321 ,000(c)
relation

18
Interval by
Pearson’s R -,647 ,092 -4,492 ,000(c)
Interval
Measure of
Kappa .(d)
Agreement
N of Valid
30
Cases
a Not assuming the null hypothesis.

b Using the asymptotic standard error assuming the null hypothesis.

c Based on normal approximation.

d Kappa statistics cannot be computed.They require a symmetric 2-way

table in which the values of the first variable match the values of the second
variable.

Contoh lain dari Cross Tabulasi

Misalkan kita ingin mengetahui apakah semakin lama seseorang
tinggal disuatu tempat (Length of residence) ada kaitannya dengan
semakin mengenal (familiarity dengan tempat tersebut :

Length of residence
Total
Familiarity < 13 th (1) 13-30 thn (2) >30 th (30)
Row
Unfamiliar (1)
34 55 134
45
Familiar (2) 52 53 27 132
Total Column 97 87 82 266

Tabel diatas kemudian di masukkan dan disimpan ke file

SPSS dengan susunan baris dan kolom ‘mp447.sav’ sbb :

19
Prosedure ANOVA sbb :
Step Langkah yang dilakukan Variabel yg dimanipulasi
Misalkan pada file 516anv.sav atau
Data – di weigthed – lihat mp447.sav adalah variabel FRE-
1. menu DATA QUECY
Pada Cross tabs :

¨ Row = famirty
Statistics – cari :
¨ Colum = residnce
¨ Summary
¨ Layer = 0 (karena data frequency
2. ¨ Kemudian Cross-Tabs yg digunakan)

Perintah ‘weighted cases’ pada ‘data’ sbb :

20
Perintah ‘Cross Tabulasi’ pada ‘descriptive statistics’ sbb:

Hasilnya sebagai berikut :

Familiarity * Length of Residence Crosstabulation

21
 Length of Residence

< 13 13-20 >30

Total
year year years
Familiarity unfamilier Count 45 34 55 134
Expected
48,9 43,8 41,3 134,0
Count
% within
33,6% 25,4% 41,0% 100,0%
Familiarity
% within
Length of 46,4% 39,1% 67,1% 50,4%
Residence
% of Total 16,9% 12,8% 20,7% 50,4%
Familiar Count 52 53 27 132
Expected
48,1 43,2 40,7 132,0
Count
% within
39,4% 40,2% 20,5% 100,0%
Familiarity
% within
Length of 53,6% 60,9% 32,9% 49,6%
Residence
% of Total 19,5% 19,9% 10,2% 49,6%
Total Count 97 87 82 266
Expected
97,0 87,0 82,0 266,0
Count
% within
36,5% 32,7% 30,8% 100,0%
Familiarity
% within
Length of 100,0% 100,0% 100,0% 100,0%
Residence
% of Total 36,5% 32,7% 30,8% 100,0%

22
 Chi-Square Tests

Asymp. Sig.
Value df
(2-sided)
Pearson Chi-Square 14,201 2 ,001
Likelihood Ratio 14,430 2 ,001
Linear-by-Linear Association 6,895 1 ,009
N of Valid Cases 266
a 0 cells (,0%) have expected count less than 5. The minimum
expected count is 40,69.

Hasil Statitistik lainnya adalah :

Symmetric Measures
Asymp. Std. Approx. Approx.
Value
Error T Sig.
Nominal by
Nominal Phi ,231 ,001

Cramer’s V ,231 ,001

Contingency ,225 ,001

Coefficient
Ordinal by Kendall’s -,148 ,057 -2,590 ,010
Ordinal tau-b
Kendall’s -,171 ,066 -2,590 ,010
tau-c
Gamma -,251 ,094 -2,590 ,010

Spearman -,157 ,061 -2,587 ,010

Correlation
Interval by
Interval Pearson’s R -,161 ,060 -2,656 ,008

N of Valid
266
Cases
a Not assuming the null hypothesis.

b Using the asymptotic standard error assuming the null hypothesis.

c Based on normal approximation.

23
 1. χ2 = ∑ (Chi Square) à untuk menguji apakah ada
assosiasi antara observed variabel

fe = expected cell frequencies à fe = (nc*nr)/n dimana cell

yang akan dihitung
nilai fe (pada baris dan kolom ke ij à nc = total nilai pada
kolom.

nr = julah nilai pada baris dan n = total sample

fo = observed cell frequencies

2. ɸ =
row and 2 column
√ ( phi) à menguji strength association dari 2

3. C = √ (Contingency Coefficient) à
menguji strength of association in a table in any size.

4. V = √ atau v = √ correlation association yang

digunakan untuk table lebih besar dari 2x2

5. Tau-b, c dan gamma, untuk mengukur dua ordinal-level

variabel

24
 BAB
ANOVA (One -Way analysis of
04 Variance)

Analisis ANOVA digunakan untuk melihat pengaruh dan

hubungan antara Dependent variabel (penjualan) dengan
independent yg ber kategori misalnya penjualan dengan tingkat
promosi rendah, sedang dan tinggi, dan independent variabel
pemberian kupon juga berkategori (dengan kupon $20 dan tanpa
kupon). Apabila ada pengaruhnya maka ada perbedaan hasil
penjualan akibat adanya promosi saja atau pemberian kupon
saja.

1.1. Misalkan Stuktur data, dan penjualan dilakukan pada 5

departement store (30 data) sbb

Promotion Level
Coupun Level High Medium Low
(kode 1) (kode 2) (kode3)
1.1 (nilai
With $20 coupun - kode 1 penjua- 1.2 1.3
lan)
Without - kode 2 2.1 2.2 2.3

data yang dipergunakan disimpan pada file (data 02_data_

anova_p474), dimana

25
 Tahapan analisis sebagai berikut :
Klik Analyse à Compare mean > one-way anova) sbb :

26
27
 Hasilnya sbb :
Descriptives
Sales normalized - by number of traffic scaled 1 to 10

N Mean Std. Deviation Minimum Maximum

High (1) 10 8,3000 1,33749 6,00 10,00

Medium (2 10 6,2000 1,75119 4,00 9,00
low promotion (3) 10 3,7000 2,00278 1,00 7,00
Total 30 6,0667 2,53164 1,00 10,00

ANOVA
Sales normalized - by number of traffic scaled 1 to 10

Sum of
df Mean Square F Sig.
Squares
Between Groups 106,067 2 53,033 17,944 ,000
Within Groups 79,800 27 2,956
Total 185,867 29

Hasil Uji Beda ANOVA F hitung terlihat menunjukkan

dengan promosi penjualan dibandingkan tanpa / low
promotion. High Promotion menghasilkan penjualan yang
terbaik.

Hasil uji F = = MSx / MS error

1.2. Contoh kedua dari program ANOVA pada file
m554ANOVA.sav (contoh ini merupakan uji beda pada
hasil penjualan pada toko 1 s/d 4 dengan promosi yang
berbeda)

28
Misalkan Data sebagai berikut :
STORE * promotion Crosstabulation

promotion
low
high pro- medium
motion promotion promo-
Total
tion
(kode 1) (kode 2)
(kode 3)
STORE 1,00 10 6 5 21
2,00 9 4 6 19
3,00 10 7 5 22
4,00 8 3 2 13
5,00 8 5 2 15
Total 45 25 20 90

Data dimasukkan pada program SPSS (sesuai dengan

baris dan kolom sebagai berikut :

29
 Kemudian data diberi bobot (weigthed) sbb :

Analysis ANOVA dengan prosedure berikut ini

menghasilkan informasi sbb :

30
 Step a. procedure ANOVA :

Step. b. hasilnya :
Descriptives SALES
95%
Std.
Std. Confidence Maxi-
N Mean Devia- Minimum
Error Interval for mum
tion
Mean
Lower Upper
Bound Bound
high
promo- 45 9,0889 ,9001 ,1342 8,8185 9,3593 8,00 10,00
tion
medium
promo- 25 5,4000 1,3844 ,2769 4,8285 5,9715 3,00 7,00
tion
low
promo- 20 4,7000 1,4546 ,3253 4,0192 5,3808 2,00 6,00
tion
Total 90 7,0889 2,3399 ,2466 6,5988 7,5790 2,00 10,00

31
 ANOVA
Sum of Mean
df F Sig.
Squares Square
Between
365,444 2 182,722 130,468 ,000
Groups
Within
121,844 87 1,401
Groups
Total 487,289 89

Hasil temuan ini menunjukkan bahwa ada perbedaan yang

nyata pada rata-rata penjualan pada masing masing aktivitas
promosi pada 5 departemen store.

1.3. Contoh ketiga yaitu mencari effect total pada program

treatment berat badan ( treatment 1 s/d 3 masing
masing dengan sample 5 buah pada setiap treatment)
– data sebagai berikut ( file mp114anova.sav ):

32
 Step (1). Melakukan ‘weigthed data pada effect total sbb :

Step (2) analisa ANOVA dengan memilih dependent variabel

pada ‘effek total dan faktor treatment sebagai faktor yang
ingin diuji perbedaannya

33
 Step (3) hasilnya sebagai berikut :

Descriptives
Effek total dari program penurunan berat badan

95%
Std. Confidence
N Mean Std. Error Minimum Maximum
Deviation Interval for
Mean
Lower Bound Upper Bound
program
114 26.2621 7.8092 .7330 24.8098 27.7144 11.50 33.50
treatment ke 1
program
127 26.4130 5.7054 .5073 25.4091 27.4170 19.50 35.00
treatment ke 2
program
102 24.7118 7.2664 .7212 23.2810 26.1427 5.00 31.00
treatment ke 3
Total 342 25.8572 6.9492 .3760 25.1176 26.5969 5.00 35.00

ANOVA
Effek total dari program penurunan berat badan
(hasilnya tidak significant)

Sum of df Mean F Sig.

Squares Square
Between Groups 190,849 2 95,425 1,985 ,139
Within Groups 16252,316 338 48,084
Total 16443,166 340

34
BAB
N – way of Variance
05
Misalkan Analisis kita ingin melihat pengaruh dan
hubungan antara Dependent variabel (penjualan) dengan
independent yg ber kategori (1) tingkat promosi rendah,
sedang dan tinggi, dan (2) independent variabel pemberian
kupon juga berkategori (dengan kupon $20 dan tanpa
kupon). Apabila ada pengaruhnya maka bagaimana
pengaruh serempak dari kedua independent variabel ber
kategori tersebut.
1. untuk menguji dampak promosi atau coupon pada sales
Caranya klik analyse > General Linear Model >
univariate sbb :

35
 Hasilnya sbb :
Tests of Between-Subjects Effects

Dependent Variable: Sales normalized -by number of traffic scaled 1 to 10

Type III Sum Mean Partial Eta

Source df F Sig.
of Squares Square Squared
Corrected
162,667(b) 5 32,533 33,655 ,000 ,875
Model
Intercept 1104,133 1 1104,133 1142,207 ,000 ,979
PROMO 106,067 2 53,033 54,862 ,000 ,821
COUPUN 53,333 1 53,333 55,172 ,000 ,697
PROMO *
3,267 2 1,633 1,690 ,206 ,123
COUPUN
Error 23,200 24 ,967
Total 1290,000 30
Corrected
185,867 29
Total

a Computed using alpha = ,05

b R Squared = ,875 (Adjusted R Squared = ,849)

Eta squared (η2) ssx /ssy) è 106.067 (ssy-error) / 185.867

or ssy è 0.571 (strength of effects of IV on DV)
Partial Eta Squared à 106.067 (ssy-error) / (106.067+23.2
or ssy) = 0.821

36
Omega squared (ω2) à proportion of the variation DV
related to IV à ssx -(dfx x MSerror) / (sstotal + MSerror)
106.067-(2 X 0.967 / (185.867 + 0.967) = 104.133
/186.834 è 0.557 (lihat p485)

37
 BAB
ANALYSIS OF COVARIANCE
06 (ANCOVA)

Misalkan pada data 4.1. (ANOVA) diatas dilakukan rating

dengan banyaknya pelanggan yang datang (cliente), kupon
(kode 1), Promosi (kode 1) menghasilkan penjualan 10, di
rating cliente atau jumlah pengunjung = 9 (sebagai covariate
– independent variabel lainnya) , dan seterusnya, maka
hasilnya sbb :

38
Hasilnya sbb :
Tests of Between-Subjects Effects
Dependent Variable: Sales normalized -by number of traffic
scaled 1 to 10
Type III Sum of Mean Partial Eta
Source df F Sig.
Squares Square Squared
Model 1267,638(a) 7 181,091 186,257 ,000 ,983
CLIENT ,838 1 ,838 ,862 ,363 ,036
COUPUN 53,333 1 53,333 54,855 ,000 ,705
PROMO 106,067 2 53,033 54,546 ,000 ,826
COUPUN *
3,267 2 1,633 1,680 ,208 ,127
PROMO
Error 22,362 23 ,972
Total 1290,000 30

a R Squared = ,983 (Adjusted R Squared = ,977)

Kesimpulan the affulence of cliente (banyaknya

pengunjung) à does not have an effect on the sales

39
 BAB
Correlation
07
Correlation adalah statistik yang menguji kuatnya hubungan antara
dua metric variabel (product moment correlation).

r = Covxy / Sx Sy t=

Covxy = covariance antara x dan y t distribution df = (n-2)

untuk menguji apakah
korelasi X dan Y
Sx Sy = standar deviasi significant atau tidak
= standard deviasi pada X ,
pada Y

r = Covxy / Sx Sy

Covxy = x dan y
covariance antara
Sx = standard deviasi pada X ,
Sy = standar deviasi pada Y

Misalkan kita mempunyai data attitude = sikap pada suatu kota, l_

resid = lamanya sesorang tinggal disuatu tempat/kota ,dan iweather
= pentingnnya cuaca pada kota tsb.
Pertanyaannya adalah adakah hubungan (korelasi) antara attude,
denganlamanya tinggal, dan cuaca daerah tersebut. Gunakan data
MP522 atau M577 (1996) atau 03_corelasi_regressi_p498

40
Data sebagai berikut :

Proses analisis sbb :

Analyse > Correlate > Bivariate

Hasil ‘Correlation’ antar variabel sbb:

41
Hasil sbb :
Descriptive Statistics

Mean Std. Deviation N

Attitude toward the city 6,5833 3,3155 12
Duration of residence 9,3333 5,2628 12
Importance attached to
6,0833 3,6045 12
weather

42
Correlations
Attitude Importance
Duration of
toward attached to
residence
the city weather
Attitude
toward the Pearson Correlation 1,000 ,936 ,733
city
Sig. (2-tailed) , ,000 ,007
Sum of Squares and
120,917 179,667 96,417
Cross-products
Covariance 10,992 16,333 8,765
N 12 12 12

Duration of
Pearson Correlation ,936 1,000 ,550
residence
Sig. (2-tailed) ,000 , ,064
Sum of Squares and
179,667 304,667 114,667
Cross-products
Covariance 16,333 27,697 10,424
N 12 12 12
Importance
attached to Pearson Correlation ,733 ,550 1,000
weather
Sig. (2-tailed) ,007 ,064 ,
Sum of Squares and
96,417 114,667 142,917
Cross-products
Covariance 8,765 10,424 12,992
N 12 12 12
** Correlation is significant at the 0.01 level (2-tailed).

43
 BAB
Bivariate dan
08 Multiple Regression

Bi dan Multivariate Regression ini digunakan untuk melihat apakah

dua atau beberapa variabel independen mempengaruhi besaran dari
dependent variabel.
Misalkan data yang dipergunakan adalah 03_corelasi_regressi_p498,
seperti pada contoh korelasi diatas.
Prosedur regressi adalah ANALYSE > REGRESSION > LINER

Step (1). Panggil program regressi (pada ANALYSE) sbb :

44
Step (2) Tetapkan Dependent dan Independent variabel –metode
ENTER sbb :

Step (3) Tetapkan koeffisen yg diestimasi, R2, partial correlation,

Durbin-watson test, serta collenearity diagnostic

45
Step (4) Apakah ‘Constant’ included atu tidak ?

Step (5) Hasilnya sbb :

Descriptive Statistics
Mean Std. Deviation N
Attitude toward the city 6,5833 3,3155 12
Duration of residence 9,3333 5,2628 12
Importance attached to weather 6,0833 3,6045 12

Coefficients
Unstandardized Standardized
t Sig.
Coefficients Coefficients
Std.
Model B Beta
Error
1 (Constant) ,337 ,567 ,595 ,567
Duration of
,481 ,059 ,764 8,160 ,000
residence
Importance
attached to ,289 ,086 ,314 3,353 ,008
weather
a Dependent Variable: Attitude toward the city

46
 ANOVA
Sum of Mean
Model df F Sig.
Squares Square
1 Regression 114,264 2 57,132 77,294 ,000
Residual 6,652 9 ,739
Total 120,917 11
a Predictors: (Constant), Importance attached to weather,
Duration of residence

b Dependent Variable: Attitude toward the city

Informasi lainnya seperti R2, durbin-watson test, dapat dilihat

pada printout lengkap ketika melaksanakan analisa regresi.
Terlihat pada hasil diatas :
a) Konstanta tidak significant (sama dengan nol – MODEL
SEBAIKNNYA TANPA KONSTANTA)
b) Lama tinggal dan Cuaca pada kota berpengaruh pada sikap
terhadap suatu kota.
c) Model yang digunakan dengan uji F dapat dipergunakan,
walaupun konstanta tidak significant.

47
 BAB
Regressi dengan dependant
09 Variabel Dummy

Bentuk Regressi ini dapat berupa :

1) Linear Probability model (LPM)
2) Logistic (logit)model
3) Commulative distribution function (probit or normit)model
4) Tobit (James Tobin) model (Sumber : lihat Gujarati, 1995,
Basic Econometrics, McGraw-Hill, hal 554-566)

LPM
Misalkan kita mempunyai model sbb : Yi = ß1 + ß2 Xi + ui
……………………………. …..(1)

Dimana Xi = famiy income , dan

Yi = 1 jika mempunyai rumah dan

0 t idak mempunyai rumah.

E (Yi| Xi) dimana Yi expected given Xi (conditional probability).

Sehingga diperoleh E (Yi| Xi) = ß1 + ß2 Xi = Pi

Misalkan kita memupunyai 40 data data sbb :

48
Apabila dilakukan analisa regressi Yi = ß1 + ß2 Xi akan diperoleh hsil
sbb :

Coefficients(a)

Unstandardized Standardized
Model t Sig.
Coefficients Coefficients
B Std. Error Beta

1 (Constant) -,946 ,123 -7,698 ,000

Income
,102 ,008 ,897 12,515 ,000
($1000)(x)

a Dependent Variable: Own a house (y)

Model Summary

Adjusted R Std. Error of

Model R R Square Square the Estimate
1 ,897(a) ,805 ,800 ,226

a Predictors: (Constant), Income ($1000)(x)

49
 ANOVA(b)

Sum of Mean
Model df F Sig.
Squares Square
1 Regression 8,027 1 8,027 156,634 ,000(a)
Residual 1,948 38 ,051

Total 9,975 39

a Predictors: (Constant), Income ($1000)(x)

b Dependent Variable: Own a house (y)

Artinya jika X = 12 = 0.27 atau probabilita mempunyai rumah =

27 persen atau E (Yi| Xi) = ß1 + ß2 Xi = Pi

Model ini mungkin mengandung unsur heterocedastisity. Pengaruh

heterocedastisity harus dihindari /dihilangkan dengan membagi
persamaan (1) dengan √ wi dimana wi = Ŷ (1-Ŷ) dimana Ŷ adalah
hasil prediksi formula (1) diatas (caranya minta paket SPSS untuk
menyimpan hasil prediksinya pada kolom data SPSS untuk kemudian
dimanipulasi untuk memperoleh √ wi diatas.
Prosedurnya sbb :

50
Hasilnya sbb :

Hindari probabilitas = 0 atau melebihi angka 1 dengan demikian wi

= Ŷ (1-Ŷ) hasilnya sbb :

Dan √ wi dimana wi = Ŷ (1-Ŷ), hasilnya sbb :

51
Data asli kemudian baik Y dan X dibagi dengan √ wi akan dperoleh
hasil sbb :

Coefficients(a)

Unstandardized Standardized
Model Coefficients Coefficients t Sig.
Std.
B Beta
Error
1 (Constant) -,845 ,234 -3,617 ,001
XBAGIWI ,057 ,003 ,967 19,441 ,000

a Dependent Variable: YBAGIWI

52
Logit model :
Pi=E(Y-1⃓Xi)=1/(1+ₑ-(β1+β2Xi) )

Pi – 1/(1+ₑ-Zi)
Zi = β1+β2Xi

Li = Ln Pi/(1-Pi)=Zi
Contoh :

Yi = probalitias pnduduk mempunyai income tertentu

Xi = income
Ni = Jumlah rumah tangga pada income Xi
ni = jumlah keluarga mempnyai rumah pada income tertentu

53
pi = probabilitas mempunyai rumah pada income tertentu
Untuk mengerjakan model logit dlakukan proses perhitungan sbb :

Step 1. Menghitung pi (probabilitas dari misalnya kepemilikan

rumah pada income tertentu)
Step 2. Menghitung pi dibagi ( 1 – pi) atau pi / (1-pi)
Step 3. Menghitung ln (pi/1-pi) (natural logaritma)

54
Hasil dari step ini adalah sbb :

Hasil regress Li = Ln Pi/(1-Pi)=Zi dimana Zi = β1+β2Xi

Coefficients(a)

Unstandardized Standardized
Model Coefficients Coefficients t Sig.
Std.
B Beta
Error
1 (Constant) -1,659 ,096 -17,318 ,000
Income
,079 ,004 ,989 19,108 ,000
($1000-x)

a Dependent Variable: Ln Pi bg 1_pi (Li)

Model Summary

Std. Error
Adjusted R
Model R R Square of the Esti-
Square
mate
1 ,989(a) ,979 ,976 ,14728
a Predictors: (Constant), Income ($1000-x)

55
Step 4. Mengeliminasi unsur Heteroscedasity yaitu √ wi dimana wi =Ni * pi *1-pi

Notasi diatas diperjelas dengan hasil komputasi sbb :

Kl = kali atau (*)

Probit model atau Normit model

Kalau pada model Logit diatas nilai pi diprediksi dengan ni / Ni ( Ni
= Jumlah rumah tangga pada income Xi dan ni = jumlah keluarga
mempnyai rumah pada income tertentu), didalam model probit ini pi
ditaksir dengan menggunakan crve normal atau standard normal CDF

56
sehingga Ln(pi/1-pi) didekati dengan utility index Ii = Bi + B2 Xi
dimana Ii = F-1 Pi).

F-1 = inverse dari normal CDF kalau digambarkan sbb :

Probit = n.e.d + 5 dimana n.e.d. (normal

equavalent deviate atau normit) atau Ii + 5

Dengan contoh diatas Ii diperoleh sbb :

57
Hasilnya sbb :

58
Kemudian dicari nilai Ii = Bi + B2 Xi dimana Ii = F-1 Pi, hasilnya sbb :

Coefficients(a)
Unstandardized Standardized
Model Coefficients Coefficients t Sig.
Std.
B Beta
Error

1 (Constant) -1,016 ,058 -17,493 ,000

Income
,048 ,003 ,989 19,299 ,000
($1000-x)

a Dependent Variable: Utility index dari pi

Model Summary
Adjusted R
Model R R Square Std. Error of the Estimate
Square
1 ,989(a) ,979 ,976 ,08927

a Predictors: (Constant), Income ($1000-x)

59
 Probit = Ii + 5 atau Zi = 3.9991 + 0.048 Xi
adjusted R2 = 1 – (1-R2)*

Problema Multiple Regression a.l. :

1. Multicolinearity
a. tingginya angka F Hitung =
b. t test atas coefficient bi tidak significant
c. R2 = sangat tinggi
d. Maka remidial yg perlu dilakukan a.l. : drop satu variabel,
atau tranform variabel, atau menambah data baru.

2. Heteroscadasticity
a. Nlai bi tidak significant,
b. Jika data di sortir (misalkan X1 dari nilai yg kecil ke besar
bersama dengan variabel Y dan X lainnya akan terlihat
bahwa semakin besar Xi akan semakin besar juga Y ,
c. Dapat juga dilakukan test Goldfield-Quandt untuk melihat
Heterscadsticity ini,

3. Autocorrelation,
a. Terjadi karena ada korelasi yang arat antara residual dengan
Y atau antar residual, yang berakibat prediksi tidak / kurang
baik,
b. Jika dilakukan d-w (Durbin-Watson) test d-w à = 2 ( 1- ρ
(rho)) dimana ρ adalah d = nilai d-w.
c. untuk remidial maka seluruh varibel dapat di tranform
dengan ( 1- ρ)

60
 BAB
Discriminant
10 Analysis

Analisa diskriminan dipergunakan untuk melihat apakah suatu

kelompok / group dapat dibedakan / di identifikasi berbeda dengan
group lainnya. Kelompok / group yang akan dibedakan sebagai
dependent variabel (DV), dan bariabel yang akan dipergunakan
sebagai pembeda disebut variabel independent.

Misalkan kita mempunyai data seperti pada contoh modul

‘frequency ‘ diatas yaitu ‘MP565’ atau 04_discriminant_p538.

61
Group yang dibedakan yaitu kelompok Visit = atau berkunjung /
ber wisata ke suatu tempat dengan kode 1 =, tidak melakukan sama
sekali,dan kode = 2 melakukan wisata pada dua tahun terakhir
(Sumber : Malhotra, 2010, p606). Variavel yang akan dipergunakan
untuk membedakan adalah :
Income, attitude, family, shouse dan age).

Keterangan data sbb :

62
Pertanyaannya adalah :
Apakah mereka yang dalam kelompok ‘Visit (2) dan Non-Visit
(1), selama 2 (dua) tahun terakhir ini dapat dijelaskan oleh 5 (lima)
variabel :
1. Family Income ($1000) per tahun
2. Attitude toward travel
3. Importance attached to family vacation
4. Household size
5. Age of Head of household
Untuk menjawab pertanyaan diatas maka dilakukanlah
‘Discriminant analysis’ sbb :

63
Step (1) Panggil DA modul ANALYSE > CLASSIFY >DISCRIMINANT sbb :

Step (2) Difinikan Dependent variabel = Group Visit dan rangenya 1

dan 2) sbb :

64
Step (3) tentukan Independent Variabelnya :

Step (4) Tentukan model yang akan ditemukan yaitu total model
‘ENTER’ atau model “STEPWISE’ ?
Dalam hal ini hanya model ENTER (SEMUA VARIABEL
INDEPENDENT DIPAKSA UNTUK MASUK DALAM MODEL) .

Step (5) Macam statistic yang diinginkan ?

65
Step (6) Informasi tentang Klasifikasi dari DA sbb :

66
Step (7) Hasilnya sebagai berikut :
Eigenvalues
Canonical
Function Eigenvalue % of Variance Cumulative %
Correlation
1 1,786 100,0 100,0 ,801

a First 1 canonical discriminant functions were used in the analysis.

Eigen value (λ) = ((BG variation)/(Within group variation))

contoh diatas 1.789 dan

ri = cannonical correlation à 80.1% diperoleh dari √(λi/

(1+λi)) untuk melihat hubungan antara group dengan fungsi

diskriminan

Semakin besar nilai Eigen maka group dapat dibedakan

dengan baik.

Wilks’ Lambda
Test of Function(s) Wilks’ Lambda Chi-square df Sig.
1 ,359 26,130 5 ,000

Wilk’s Lambda (λ) = dimana à i = 1 s/d ..... k+1 ; Π = perkalian

apabila Lambda mendekati 1 maka semua group sama (tidak

berbeda), jika mendekati à 0 maka dapat dibedakan dengan baik.

Jika lebih dari 2 group maka eigenvalue, % of variance, dan Wilk’s

Lambda dapat digunakan untuk memilih fungsi diskriminan mana
yg terbaik yang kana dipernakan, dalam memprediksi perbedaan
kelompok.

67
 Functions at Group Centroids

Function
Resort Visit 1
not visit last 2 years 1,291
visit -1,291

Standardized Canonical Discriminant Function

Coefficients

Function
1
Income ($1000) ,743
Attitude toward travel ,096
Importance attached to family vacation ,233
household size ,469
Age of head of household ,209

Classification Results
Predicted Group
Total
Membership
not visit last 2
Resort Visit visit
years
not visit last 2
Original Count 12 3 15
years
visit 0 15 15
not visit last 2
% 80,0 20,0 100,0
years
visit ,0 100,0 100,0
Cross- not visit last 2
Count 11 4 15
validated years
visit 2 13 15
not visit last 2
% 73,3 26,7 100,0
years
visit 13,3 86,7 100,0

68
a Cross validation is done only for those cases in the analysis. In cross
validation, each case is classified by the functions derived from all cases
other than that case.

b 90,0% of original grouped cases correctly classified.

c 80,0% of cross-validated grouped cases correctly classified.

69
 BAB
Factor
11 Analysis

Faktor analisis adalah alat yang dipergunakan untuk meringkaskan

(reduction and summarize) dari sejumlah variabel menjadi beberapa
faktor (yaitu kumpulan variabel yang saling berkorelasi menjadi satu
kelompok yang disebut faktor).
Misalkan data pada MP590 atau 05_factoranalysis_p563
terdapat 6 (enam) variabel kita ingin melihat faktor apa saja yang
dipertimbangkan orang pada saat membeli pasta gigi sbb :

Dengan menggunakan 30 sample, dan skala pengukuran Likert

(agreement / disagreement) skala 1 = strongly disagree 7= strongly
agree diperoleh informasi sbb:
berikut :

70
Pada faktor analysis dilakukan analisa sbb :
Ø Fomulasikan problema
Ø Menyusun matrik korelasi
Ø Menentukan model analisa faktor
Ø Menentukan jumlah faktor
Ø Merotasi faktor
Ø Menafsikan faktor
Ø Menentukan model fit

Step (1) Problema yang ingin dijawab adalah “ Faktor apakah

yang dipertimbangkan oleh konsumen didalam memilih
pasta gigi ?”

71
Step (2) Memanggil modul Factor analysis (FA) sbb :

Step (3) Lakukan analisa FA sbb :

a. Modul FA sbb :

72
b. Deskripsi yang diinginkan sbb :

73
c. Extraction sbb :

d. Rotasi yang diinginkan :

74
e. Apakah Factor skore disimpan / tidak untuk analisa regressi
berikutnya :

f. Option – hasilnya (faktor loading) disortir /tidak :

75
g. Hasilnya sbb :

Descriptive Statistics
Std.
Mean Analysis N
Deviation
It is importance to buy a tootpaste that
3,9333 1,9815 30
prevent cavities (v1)
I like a toopaste that gives shiny teeth
3,9000 1,3734 30
(v2)
a toothpaste should strengthen your
4,1000 2,0569 30
gum (v3)
I preefer a toothpaste that freshens
4,1000 1,3734 30
breath (v4)
Prenvention of tooth decay is not
an important benefit offered by a 3,5000 1,9073 30
toothpaste (v5)
The most importance consiederation
in buying a tootpaste is attractive teeth 4,1667 1,3917 30
(v6)

Correlation Matrix
It is Prenvention
The most
importance of tooth
I like a a toothpaste I preefer a importance
to buy a decay is not
toopaste should toothpaste consiederation
tootpaste an important
that gives strengthen that in buying a
that benefit
shiny teeth your gum freshens tootpaste is
prevent offered by a
(v2) (v3) breath (v4) attractive teeth
cavities toothpaste
(v6)
(v1) (v5)

It is
importance
to buy a
Correlation 1,000 -,053 ,873 -,086 -,858 ,004
tootpaste
that prevent
cavities (v1)

I like a
toopaste that
-,053 1,000 -,155 ,572 ,020 ,640
gives shiny
teeth (v2)

a toothpaste
should
strengthen ,873 -,155 1,000 -,248 -,778 -,018
your gum
(v3)

I preefer a
toothpaste
-,086 ,572 -,248 1,000 -,007 ,640
that freshens
breath (v4)

76
 Prenvention
of tooth
decay is not
an important
-,858 ,020 -,778 -,007 1,000 -,136
benefit
offered by a
toothpaste
(v5)

The most
importance
consiederation
in buying a ,004 ,640 -,018 ,640 -,136 1,000
tootpaste is
attractive teeth
(v6)

KMO and Bartlett’s Test

Kaiser-Meyer-Olkin Measure of
,660
Sampling Adequacy.
Approx. Chi-
Bartlett’s Test of Sphericity 111,314
Square
df 15
Sig. ,000

Total Variance Explained

Extraction Rotation
Initial Sums of Sums of
Eigenvalues Squared Squared
Loadings Loadings

% of Cumulative % of Cumulative % of Cumulative

Component Total Total Total
Variance % Variance % Variance %

1 2,731 45,520 45,520 2,731 45,520 45,520 2,688 44,802 44,802

2 2,218 36,969 82,488 2,218 36,969 82,488 2,261 37,687 82,488

3 ,442 7,360 89,848

4 ,341 5,688 95,536

5 ,183 3,044 98,580

6 8,521E-02 1,420 100,000

Extraction Method: Principal Component Analysis.

77
 Scree Plot
3,0

2,5

2,0

1,5

1,0
Eigenvalue

,5

0,0
1 2 3 4 5 6

Component Number

Rotated Component Matrix

Component

1 2
It is importance to buy a tootpaste that prevent
,962 -2,663E-02
cavities (v1)
a toothpaste should strengthen your gum (v3) ,934 -,146
Prenvention of tooth decay is not an important
-,933 -8,401E-02
benefit offered by a toothpaste (v5)
The most importance consiederation in buying a
8,337E-02 ,885
tootpaste is attractive teeth (v6)
I preefer a toothpaste that freshens breath (v4) -9,832E-02 ,854
I like a toopaste that gives shiny teeth (v2) -5,721E-02 ,848

Extraction Method: Principal Component Analysis. Rotation Method:

Varimax with Kaiser Normalization.

a Rotation converged in 3 iterations.

Memperhatikan hasil komputasi diatas dari 6 (enam) variabel

dapat di reduksi mmenjadi 2 (dua) faktor dengan kemampuan
menjelaskan sebesar 82,488 (lihat total variance explained).

78
Faktor 1 terdiri atas varibel 1, 3 dan 5 yang terkait dengan
kesehatan gigi dapat menjelaskan sebesar 45,520 %
sedangkan faktor kedua mampu menjelaskan sebesar 36,969
% yang terdiri atas variabel 2, 4, dan 6 semuanya terkait
dengan gigi menarik, segar dan cemerlang (Shiny) atau kita
sebut sebagai faktor sosial .
Masing masing variabel memberikan faktor loading (korelasi)
antara variabel dengan faktornya > 0.6 yang menunjukkan
varibel tersebut dapat menjadi indikator terkait dengan
kesehatan atau faktor sosial.

79
Model Fit :
Reproduced Correlations
Prenvention
of tooth The most
It is
I like a a toothpaste I preefer a decay is importance
importance
toopaste should toothpaste not an consiederation
to buy a
that gives strengthen that important in buying a
tootpaste
shiny teeth your gum freshens benefit tootpaste is
that prevent
(v2) (v3) breath (v4) offered by a attractive teeth
cavities (v1)
toothpaste (v6)
(v5)

It is importance to
Reproduced
buy a tootpaste that ,926 -7,761E-02 ,902 -,117 -,895 5,662E-02
Correlation
prevent cavities (v1)

I like a toopaste that

-7,761E-02 ,723 -,177 ,730 -1,788E-02 ,746
gives shiny teeth (v2)

a toothpaste should
strengthen your ,902 -,177 ,894 -,217 -,859 -5,134E-02
gum (v3)

I preefer a
toothpaste that -,117 ,730 -,217 ,739 1,999E-02 ,748
freshens breath (v4)

Prenvention of
tooth decay is
not an important -,895 -1,788E-02 -,859 1,999E-02 ,878 -,152
benefit offered by a
toothpaste (v5)

The most importance

consiederation in
5,662E-02 ,746 -5,134E-02 ,748 -,152 ,790
buying a tootpaste is
attractive teeth (v6)

It is importance to
Residual buy a tootpaste that 2,440E-02 -2,915E-02 3,115E-02 3,770E-02 -5,245E-02
prevent cavities (v1)

I like a toopaste that

2,440E-02 2,224E-02 -,158 3,763E-02 -,105
gives shiny teeth (v2)

a toothpaste should
strengthen your -2,915E-02 2,224E-02 -3,127E-02 8,138E-02 3,327E-02
gum (v3)

I preefer a
toothpaste that 3,115E-02 -,158 -3,127E-02 -2,657E-02 -,107
freshens breath (v4)

Prenvention of tooth
decay is not an
important benefit of- 3,770E-02 3,763E-02 8,138E-02 -2,657E-02 1,574E-02
fered by a toothpaste
(v5)

The most importance

consiederation in
-5,245E-02 -,105 3,327E-02 -,107 1,574E-02
buying a tootpaste is
attractive teeth (v6)

Extraction Method: Principal Component Analysis.

80
a Residuals are computed between observed and reproduced
correlations. There are 5 (33,0%) nonredundant residuals with
absolute values > 0.05.

b Reproduced communalities

81
 BAB
Cluster Analysis
12 (CA)

Cluster analysis dapat dipergunakan untuk melakukan pengelompokan

sejumlah sample menjadi cluster /kelompok tertentu berdasarkan
kriteria tertentu.
Misalkan kita mempunyai data à 20 orang responden (sample) yang
sedang berbelanja di shopping mall kemudian kita ingin melihat
responden mana berkelompok (kelompoknya yang homogen)
berdasarkan kriteria ‘attitude consumers toward shopping’.

Kriteria untuk mengelompokkan à misalnya respondent diberi

pertanyaan tentang Shopping à sebagai berikut :
Ø Shopping is fun (v1)
Ø Shopping is bad for your budget (v2)
Ø I combine shopping with eating out (v3)
Ø I try to get the best buys while shopping (v4)
Ø I don’t care about shopping (v5)
Ø You can save a lot of money buy comparing prices (v6)

Data dikumpulkan dengan menggunakan 7 point skala 1 = disagree 7

= agree.
Data disimpan pada ‘mp616’ atau ‘06_cluster_analysis_p590’ terlihat
sebagai berikut :

82
Cara mengerjakan CA sebagai berikut :
Step (1) Panggil modul CA à ANALYSE > CLASSFY >
HIERCHICAL CLUSTER sbb :

83
Step (2) CA by Cases sbb :

84
Step (3) Statistik yang diminta à misalkan dibuat 3 (tiga) kluster sbb:

Step (4) Plots yang diminta sbb :

85
Step (5) Metode CA yang diinginkan :

Step (6) Hasilnya sbb :

Setiap kasus (sample) dari n = 20, setiap anggota akan dimasukkan
dalam salah satu dari 3 (tiga) kluster yang ingin dibentuk yaitu sbb :

Cluster Membership
Case / REPONDENT 3 Clusters
1 1
2 2
3 1
4 3
5 2
6 1
7 1
8 1
9 2
10 3
11 2
12 1
13 2
14 3
15 1

86
 16 3
17 1
18 3
19 3
20 2

8 -> Respondent 1,3,6,7,8,12,15,17 berkelompok menjadi kluster 1

6 -> Respondent 2,5,9,11,13,dan 20 pada kluster 2, dan lainnya pada kluster 3

Jika digambarkan akan terlihat pada dendogram sebagai berikut:

87
 BAB
Multidimensional Scaling
13 (MDS)

MDS dipergunakan untuk memetakan (posisioning) persepsi

konsumen / respondent atas suatu product / brand terhadap brand
lainnya – dalam dua atau beberapa aspek / dimensi.
Contoh MDS – Coca Cola :

88
Jika kita mempunyai 10 (sepuluh) macam pasta gigi, kemudian kita
ingin melakukan rating pasta gigi mana yang dapat memutihkan gigi
dan menguatkan gigi (sebagai dasar untuk melakukan rating)

Dengan melakukan survey pada sejumlah konsumen, dan kemudian

kita menunjukkan 10 macam pasta gigi, dan kemudian respondent
kita minta melakukan rating (Likert = similarity)), maka akan
diperoleh data rating sebagai berikut data MDS ‘MP639’ atau 07_
multidimensional_scaling_p614 :

Skala Nilai rating :

1 = very dissimilar
7= very similar

Informasi yang akan diperoleh dari setiap respondent adalah n(n-

1) /2 = 45 perbandingan dimana n =10 (pasta gigi yang dibanding)
terlihat sebagai berikut .

89
Cara mengerjakan MDS yaitu ANALYSE > SCALE >
MULTIDIMENSIONAL SCALING :
Step (1) Memanggil Modul MDS sbb :

90
Step (2) Tampilan MDS sbb :

91
Step (3) Model MDS sbb :

92
Step (4) Option sbb :

Step (5) Hasilnya sbb :

Alscal Procedure Options

Data Options-

Number of Rows (Observations/Matrix). 10

Number of Columns (Variables) . . . 10

Number of Matrices . . . . . . 1

Measurement Level . . . . . . . Interval

Data Matrix Shape . . . . . . . Symmetric

Type . . . . . . . . . . . Dissimilarity

Approach to Ties . . . . . . . Leave Tied

Conditionality . . . . . . . . Matrix

Data Cutoff at . . . . . . . . ,000000

93
 Model Options-

Model . . . . . . . . . . . Euclid

Maximum Dimensionality . . . . . 2

Minimum Dimensionality . . . . . 2

Negative Weights . . . . . . . Not Permitted

Iteration history for the 2 dimensional

solution (in squared distances)

Young’s S-stress formula 1 is used.

Iteration S-stress Improvement

0 ,83459

1 ,86304

2 ,51313 ,34990 *

3 ,48460 ,02853

4 ,48045 ,00415

5 ,47999 ,00047

For matrix

Stress = ,36359 RSQ = ,15425

94
 Configuration derived in 2 dimensions
Stimulus Coordinates
Dimension

Stimulus Stimulus 1 2
Number Name

1 AQUA -,9798 -,7983

2 CREST -,5207 1,4701
3 COLGATE ,6774 -1,4964
4 AIM 1,5399 ,2023
5 GLEEM -1,4584 -,5588
6 MACLEANS -,4315 1,4100
7 ULTRABR -1,1419 -,7214
8 CLOSEU 1,2475 ,4162
9 PEPSODNT 1,1667 -,7740
10 DENTAGRD -,0991 ,8501

95
 Derived Stimulus Configuration
Euclidean distance model
macleans
1,5

1,0 dentagrd

closeu
,5
aim

0,0

gleem
-,5 ultrabr
aqua- fresh pepsodnt
Dimension 2

-1,0

colgate
-1,5

-2,0
-1,5 -1,0 -,5 0,0 ,5 1,0 1,5 2,0

Dimension 1

Dengan membanding 10 (sepuluh) pasta gigi diatas :

Dimensi 1 = memutihkan gigi ; dimensi 2 = menguatkan gigi, disini

terlihat bahwa respondent melihat Pepsodent mampu menguatkan
Gigi, tetapi masih dipersepsi belum mampu menguatkan
gigi, sehingga strategi yang baik untuk Pepsodent agar dapat
mengalahkan pesaing utamanya (misalnya Close Up atau Aim yang
mampu menguatkan dan memutihkan gigi) adalah berkampanye
bahwa dengan pepsodent menguatkan gigi seperti jepitan
kepiting atau kuat / tahan jika kita menggigit es setelah 30 detik
menggunakan Pepsodent.

96
 BAB
Conjour Analysis
14 (CA)

CA dipergunakan untuk melihat seberapa penting (relative important)

suatu attribut pada suatu product ketika produvt tersebut di evaluasi
oleh seorang konsumen sebelum produk tersebut dibeli.

Misalkan produk sepatu attribut yang di evaluasi konsumen a.l. : (a)

bagian atas sepatu (upper) apakah attribut tersebut menggunakan
kulit, semi kulit, atau plastik parasut, (b) bagian bawah (sol sepeatu)
apakah menggunakan kulit, atau karet, atau plastik.

Survey / experiment tentang ‘relative importance’ dari dimensi/attribut

ini penting, sebelum produsen memproduksi massal produknya

Sayang sekali paket SPCC 10.05 atau 11.5 belum menyediakan paket
‘conjoint analysis’ bersama dengan paket retailnya. Paket conjoint
baru dapat digunakan dengan cara membeli program yang terpisah.

Namun modul Conjoint dapat dilakukan dengan model regressi

berganda biasa, kemudian mencari koeefisien utility-nya dengan
‘inverse matrix’. Dapat digunakan paket MINITAB ver 13.2 untuk
mencari inverse matrix .
Paket statistik yang sudah langsung menggunakan conjoint dalam
paket utamanya adalah ‘systat versi 8.0 window’, seperti
pada contoh berikut ini.

97
Untuk keperluan kita saat ini dipergunakan paket SPSS dulu, baru
digunakan paket Systat.

Misalkan kita ingin melihat bagaimana bentuk produk yang disukai

oleh pembeli sebelum barang tersebut diproduksi massal.

Contoh diambil dari Malhotra, 1999, p650-7 tentang sepatu Sneaker

dari Reebok. Dengan attribute dan level (diberi kode) sbb :

98
 Level
Attribute Nomor Kode Deskripsi
3 Rubber
2 Polyurethane
Sole 1 Plastic
3 Leather
2 Canvas
Upper 1 Nylon
3 $30
2 $60
Price 1 $90
Gambar sepatu sbb :

Jika memperhatikan 3 * 3 * 3 (level attribute : harga, sole dan upper)

maka ada 27 profile sepatu yang dapat dibentuk, dan setiap konsumen
dapat memberikan ratingnya 1 = not prefered hingga 9 = greatly
preferred.

99
Misalkan diperoleh informasi sbb :

Attribute level
Preferred
Profile # Sole Upper Price
Rating
1 1 1 1 9
2 1 2 2 7
3 1 3 3 5
4 2 1 2 6
5 2 2 3 5
6 2 3 1 6
7 3 1 3 5
8 3 2 2 7
9 3 3 1 6

Untuk mengerjakan dengan regressi maka data diatas harus

ditranformasi dengan menggunakan ‘dummy variabel’ sbb :

Preferred Attribute
Sole Upper Price
Rating
X1 X2 X3 X4 X5 X6
(Y)
9 1 0 1 0 1 0
170 1 0 0 0 0 1
5 1 0 0 0 0 0
6 0 1 1 0 0 1
5 0 1 0 1 0 0
6 0 1 0 0 1 0
5 0 0 1 0 0 0
7 0 0 0 1 1 0
6 0 0 0 0 0 1
X1 = 1 jika Sole level 1 yang diinginkan konsumen
0 level lainnya
X2 = 1 jika sole level 2 yang diinginkan konsumen
0 level lainnya

100
 Demikian juga untuk x3, x4, x5, dan x6.

Data SPSS dan hasil regressi sbb :

Coefficients
Unstandardized Standardized
t Sig.
Coefficients Coefficients
Std.
Model B Beta
Error
1 (Constant) 4,222 ,588 7,181 ,019
Sole Plastic (x1) 1,000 ,544 ,384 1,837 ,208
Sole
Polyurethane -,333 ,544 -,128 -,612 ,603
(x2)
Upper Nylon
1,000 ,544 ,384 1,837 ,208
(X3)
Upper Canvas
,667 ,544 ,256 1,225 ,345
(x4)
Price $90 (x5) 2,333 ,544 ,896 4,287 ,050
Price $ 60 (x6) 1,333 ,544 ,512 2,449 ,134

a Dependent Variable: Prefrence rating

101
 b0 = 4.222
b1 = 1
b2 = -.333
b3 = 1
b4 = .667
b5 = 2.333
b6 = 1.333

Perhitungan berikutnya adalah mencari ‘part-worth’ dari masing

masing attribute
Misalkan attribute Sole :

a11 - a13 = b1 atau dapat disusun matrik sebagai

berikut :
a12 - a13 = b2
a11 + a12 + a13 = 1
1 0 -1 = 1
0 1 -1 = -.333
1 1 1 = 0

A xi = bi
xi = A-1 bi
A-1 = Adjoint / (dibagi dengan) | A|
|A| = determinant matrix
Adj = Tranfose cofactor (Cof) matrix
Cof Aij (-1)
(i+j)
Dij

102
Dengan menggunakan program minitab ver 13.2 nilai a11 , a12
dan a13 dapat dicari sebagai berikut :

103
atau langsung diketik pada MINITAB session sbb :

104
105
 Menggunakan matrix inverse akan diperoleh sbb :

Attribute
Attibute level
Sole Upper Price
Rubber Leather $30
3
0.778 0.445 1.111
Popyurethane Canvas $60
2
–0.556 0.111 .111
Plastic Nylon $90
1
–0.222 -.556 -1.222
The importance (I) of the
attribute

Ii = Max aij - Min aij untuk

setiap i 1.334 1.001 2.333
Jumlah ( S I ij) 1.334 + 1.001 + 2.333 = 4.668
Relative importance dari
attribute Ii / S I ij 0.286 0.214 0.500

Model conjoint U (x) = SSaij Xij

U (x) = overall utility

a ij
= part-worth contribution

Xij = level of attribute.

106
 Conjoint analysis

Jika langsung dikerjakan dengan Syntax SPSS

Step 1. Misalkan data rating pada halaman Malhotra (2004) hal
626 sbb :

Step 2. Membuka program Conjoint dengan Syntax sbb :

107
 atau membuka file syntax STEP_01_CA_SPS sbb :

Step 3 SYNTAX YANG TELAH DIBUAT SBB : DI RUN > All

108
109
 Hasilnya sbb :

Data sole dan kodenya menjadi :

data upper dan kodenya sbb :

110
 Data price dan kodenya sbb :

Jika hasil dari step 3 sbb :

Edit ATAU susun kembali data diatas sesuaikan dengan

textbook M_626

Rating yang diperoleh pada tabel step 1 yaitu :

111
 Hasilnya sbb :
Data SPSS à PADA M_626_CA.SAV akan menjadi sbb :

112
Step 4 : data tersebut kemudian akan diolah dengan menggunakan
Syntax Step_2_CA.SPS

113
 Hasilnya sbb :
Conjoint Analysis

Factor Model Levels Label

SOLE d 3 SOLE

UPPER d 3 UPPER

PRICE d 3 PRICE

(Models: d=discrete, l=linear, i=ideal, ai=antiideal,

<=less, >=more)

The factors are not all orthogonal. Cramer’s V

statistics:

SOLE UPPER PRICE

SOLE 1,000

UPPER ,000 1,000

PRICE ,289 ,289 1,000

114
115
 BAB
Path
15 Analysis

Analisa Jalur (path) dipergunakan untuk mengetahui effek langsung

(direct Effect - DE) dan pengaruh tidak langsung (indirect effect –
IE) dari variabel independent terhadap variabel dependent melalui
variabel dependent lainnya.
Misalkan kita mempunyai model sebagai berikut :

dengan nilai korelasi (rij) sbb:

r13 = 0.25 ; r12 0.5 r23 = 0.5
maka path (p) p21 = 0.5 diperoleh dari :
1. p31 = 0.0
= (r31-(r32*r12))/(1-(r12)^2 )

dimana r13 = 0.25 ; r12 0.5 r23 = 0.

116
 = (0.25-(0.5*0.5))/(1-(0.5)^2
= 0.0

2. p32 = 0.5
= (r32-(r31*r12))/(1-(r12)^2 )

= (0.5-(0.25*0.5))/(1-(0.25)^2 )
= 0.50

117
118
 BAB
Structural Equation
16 Modeling

16.1. LISREL 8.30

Step 1. Memanggil program Lisrel 8.30 :
Ketik Start > Programs > Lisrel hasilnya sbb :

Dengan menu Utama sbb :

119
Step 2 : Membuka data untuk lisrel , misalkan data
diimport dari external data (spss.sav) sbb :
Seperti pada menu utama klik File > Import external data in
othere format
Misalkan datanya adalah data faktor analisys dari Malhotra M649fa.
sav data untuk analisa faktor (05_factoranalysis_563)
Prosedurnya sbb :

120
Hasilnya akan berbentuk file M649fa.psf sbb :

121
Label pada data spss adalah sbb :

Step 3 membuat model Lisrel (lihat data faktor analisis

pada no. 11 diatas) sbb :

122
Dimana f1-kes dibentuk dari v1, v3 dan v5 dan f2-sosial dibentuk
dari v2, v4 dan v6
Untuk memudahkan analisa data m649fa.psf dirubah menjadi data
berupa Covariance matrix dengan prosedure sbb :
Ketik Statistics > Output options (data screening, normal score, FA,
Probit, Regression)

123
Step 4 : Menyusun program m649fa.spj (untuk menguji
model pada step 3 diatas )
Prosedurnya sbb :
Klik File > New > Simplis Project
Hasilnya sbb :

124
125
 Akan terlihat menu sbb :

Kemudian ketik perintah Lisrel 830 pada bidang diatas dan hasilnya
sbb :
Sesuai dengan model yang dibuat :

126
Kemudian kerjakan (run ) perintah diatas dengan mengklik tombol
ini :

Seperti orang berlari :

127
Hasilnya terlihat bahwa jika model tersebut kurang baik LISREL
tidak mau mengeluarkan hasilnya.

Daftar Istilah Lisrel 830

No. Kode Keterangan
1. *.psf Data Prelis
2. *.SPJ Simplis Project
3. *.Lpj Lisrel Project
4. *.pth Path diagram
5. *.sav Spss data
Lamdha besar Y= matrix factor loading dari variabel latent
6. Λy = LY Y (Matrix containing the structural coefficient linking the
observed and latent endogeneous variabels)
Lamdha besar X = matrix factor loading dari variabel latent
7. Λx= LX X (Matrix containing the structural coefficient linking the
observed and latent exogeneous variabels)
Betha besar à pengaruh variabel endogen pada variabl
8. Β=BE endogen (Matrix containing the structural effects from
endogeneous to othe endogeneous variables)
Gamma besar à pengaruh variabel exogen (latent) pada
9. Γ = GA var. endogen (Matrix containing the structural effects from
exogeneous to othe endogeneous variables)
10. Φ = PH Phi besar à matrix var-covar dari endogeneous varibles
Psi besar à matrix var-covar antar error yang terkait dengan
11. Ψ = PS
endogeneous variables
Tetha besar Epsilon kecil à matrix var-covar of measurement
12. Θε = TE
errors yg terkait dengan observed endogeneous variables
Tetha besar Deltha kecil à matrix var-cov var. of measurement
13. Θδ = TD
errors yg terkait dengan observed exogeneous variables
14. Θδε = TH Matrix var-covar var manifest var latent Xdan Y
15. ξ =Ksi Var. latent exogeneus variables
16. η= etha Variabel latent endogeneous varibles
17. λ=lamdha Loading faktor
Structural effect dari endogeneous ke variable endogenenous
18. β=betha kecil
lainnya
Regression or structural coefficient yg terkait dengan effek
19. γ =gamma kecil
dari exogeneous ke endogeneous
20. φ = phi kecil Variance / Covariance (peragam) antar variabel endogeneous
21. ζ = zetha Error (galat) yg terkait dengan endogeneous variables
Psy kecil caovariance (peragam) antar galat (error) dengan
22. ψ = psi kecil
variables endogeneous yg terkait
23. ε = epsil kecil Error pada manifest untuk latent Y

128
 24. δ = deltha Error pengukuran pada varibel manifest (observed
kecil exogeneousvariables)
25 α = alpha Intercept term in a regression or structural equation
26. Data line (sub MA= matrix to be analysed, CM= covariance
DA matrix,NI=number of input variabels,NO = nomber of
observations)
27. LA Label for observed variables
28. LK Label for Latent exogeneos ξ (=Ksi)
29. LE Label for Latent endogeneous η (etha)
30. CM Covariance matrix input
31. KM Korelation matrix input (sub FU =FUII, SY=symetrical)
32. ME Means
33. SD Standard Deviation
34. SE Select line

35. MO Model Line (sub NE = number of latent endogeneous eta (η)

variables; NK = number of latent exogeneous (ξ =Ksi) NX =
number of observed exogeneous X variables; NY = number
of observed endogeneous Y variables; AL = alpha; BE =beta;
GA = Gamma; LX = lamdha X ; LY = lamdha Y PH = Φ =
PH (Phi); PS = Ψ = PS (psi); TE = Θε (Tetha besar Epsilon
kecil) TD = Θδ (Tetha besar Deltha kecil) optional (FI= fixed,
FR= free, FU=FUII,DI= diagonal, SD= sub diagonal,SY=
symetric,ZE=zero)
36. VA Value
37. FR Free
38. FI Fix
39. PATH DIA-
GRAM
40. OU Output line dengan sub command EF = effect, ME method
of estimation, ND = Number of decimal, SC = standardized
completely, SS = standardized solutions) MI = modification
index TV = tvalue
41 End of
problem

Contoh lain, dari Agusty (Augusty Ferdinant, 2002, Structural

Equation Modelling edisi 2 BP Univ. Diponegoro, Semarang)
Dengan Model :

129
dan Proram LISREL sbb :

130
 Hasilnya sbb :

16. 2. AMOS
Step. 1 Panggil Program Amos 4.0. atau AMOS 21
Akan terlihat program sbb :

Atau AMOS 21 sbb :

131
Step 2. Kemudian Mulai menggambar Model berikut ini :

132
Data yang dipergunakan ‘mp999a SEM_Hadiutome.sav’
Pada Menu Amos 21 terlihat sbb :

Gunakan tanda elips, untuk menggambar model :

Gunakan tanda untuk men copy model dengan ukuran

yang sama seperti berikut ini :

133
Gunakan untuk menggambarkan indikator (observed
variabel – data pada file data / hasil survey) atau elemen dari
construct / manifest / unobserved variabel misalnya physical
aspect dengan indikator x1- s/d x4).

Dan Seterusnya hingga model selesai.

134
Step 3. Memasukkan data pada model diatas
Data tersebut dipanggil dengan ‘menu amos’ sbb :
Sehingga hasilnya sbb:

135
Step 4. Menyelesaikan ‘output’ yang diinginkan maka
VIEW > ANALYSIS
PROPERTIES terlihat sbb :

136
Kemudian ‘calculate estimate’ sbb :

137
Hasilnya sbb:

138
hasil dari standardized coeficient = yang menunjukkan direct
effect sbb :

139
 text output lainya :

140
Pedoman statistik yang ideal adalah sbb :

(lihat Agusty, 2002, p61)

χ2 = Chi square uji beda matriks covariance , nilai yang kecil dan tidak
significant yang seharusnya dihasilkan
RMSEA = The root mean square error of approximation untuk menentukan
model fit
GFI = Goodness of fit 0 = poor

1 = perfect fit

141
AGFI = Adjusted Goodness of fit > 95% good, .90 --.95 cukup
The minimum sample discrepancy function with degree of fredom
CMIN/DF =
(DF) (χ2 relatif) < 2-3 acceptable fit
TLI = Tucker Lewis index >.95 good fit
CFI = Comparative fit index >.95 very good fit model

Goodness-of-Fit Accross Different Model Situation

(Hair et al., 7th ed, 2010,p672)

16.3. GESCA (Generalized Structured

Component Analysis

MODEL HADIUTOMO DENGAN GESCA

OLEH MSI – 11 MEI 2012

142
DATA

143
STEP-STEP MENGERJAKANNYA :
1. http://www.sem-gesca.org/
2. ENTER GESCA
a. TERLIHAT ---- > JAVA

b. Accepct --> RUN

c. Dstnya

3. Menu Utama terlihat sbb:

144
4. Upload data --> yang telah di copy – DARI HOMEPAGE
DIATAS – dari spss – delimited.DAT
5. Pergunakan data seperti pada Model diatas
6. Draw latent Variable

145
 Klik berkali-kali sesuai dengan jumlah / letak Latent
variabel pada Model

7. Draw Path --> Klik --> sesuai model

Hasilnya terlihat sbb:

146
8. Assign indikator (lihat data – untuk model ini

147
148
9. Save Model – HadiUtomo.XML
10. RUN
11. Tunggu hasilnya
12. Buka word
13. Tekan Ctrl A --> select All
14. Tekan Ctrl C --> untuk meng copy hasil
15. Ke Word tekan Ctrl V untuk paste hasilnya sebagai berikut :

149
 Model Fit
FIT 0.493
AFIT 0.485
GFI 0.981
SRMR 0.100
NPAR 50

Measurement Model
Variable Loading Weight SMC

  Estimate SE CR Estimate SE CR Estimate SE CR

LV_1 AVE = 0.543, Alpha =0.719

x1 0.733 0.044 16.6* 0.337 0.023 14.67* 0.537 0.063 8.54*

x2 0.774 0.038 20.32* 0.367 0.026 13.97* 0.599 0.058 10.28*

x3 0.711 0.049 14.45* 0.320 0.021 15.53* 0.505 0.068 7.37*

x4 0.729 0.051 14.3* 0.332 0.025 13.28* 0.531 0.073 7.23*

LV_2 AVE = 0.700, Alpha =0.785

x5 0.843 0.027 30.98* 0.403 0.015 27.09* 0.710 0.045 15.74*

x6 0.857 0.018 48.31 *

0.410 0.018 22.49 *
0.735 0.030 24.24*

x7 0.809 0.039 20.6 *

0.382 0.011 33.69 *
0.655 0.063 10.43*

LV_3 AVE = 0.591, Alpha =0.769

x8 0.753 0.035 21.25* 0.327 0.021 15.65* 0.568 0.053 10.7*

x9 0.762 0.039 19.47 *

0.315 0.020 16.09 *
0.581 0.058 9.94*

x10 0.785 0.037 21.28 *

0.334 0.017 19.31 *
0.616 0.057 10.78*

x11 0.775 0.044 17.79 *

0.325 0.017 19.12 *
0.600 0.066 9.07*

LV_4 AVE = 0.673, Alpha =0.514

x12 0.814 0.039 21.09* 0.600 0.028 21.51* 0.663 0.061 10.81*

x13 0.827 0.031 26.79 *

0.619 0.034 18.23 *
0.684 0.050 13.61*

 
LV_5 AVE = 0.576, Alpha =0.747

x14 0.846 0.029 29.06* 0.372 0.022 17.02* 0.715 0.048 14.95*

x15 0.823 0.027 30.68 *

0.364 0.023 15.79 *
0.678 0.044 15.51*

x16 0.837 0.030 28.18* 0.355 0.020 18.12* 0.700 0.049 14.34*

x17 0.458 0.115 3.98* 0.192 0.045 4.32* 0.210 0.099 2.13*

LV_6 AVE = 0.655, Alpha =0.474

x18 0.830 0.027 30.85* 0.648 0.030 21.58* 0.689 0.044 15.72*

x19 0.788 0.025 31.94* 0.587 0.035 16.75* 0.621 0.039 16.01*

150
  

LV_7 AVE = 0.694, Alpha =0.778

x20 0.854 0.033 26.2* 0.430 0.023 19.01* 0.728 0.054 13.54*

x21 0.858 0.030 28.4* 0.377 0.031 12.28* 0.736 0.050 14.63*

x22 0.785 0.046 17.2*

0.394 0.022 17.64 *
0.616 0.069 8.91*
CR* = significant at .05 level

Structural Model

Path Coefficients
  Estimate SE CR
LV_1->LV_6 0.281 0.082 3.42*
LV_2->LV_6 0.139 0.078 1.78
LV_3->LV_6 0.245 0.065 3.75*
LV_4->LV_6 0.233 0.067 3.48*
LV_5->LV_6 0.316 0.070 4.5*
LV_6->LV_7 0.338 0.080 4.21*
CR* = significant at .05 level

R square of Latent Variable

LV_1 0
LV_2 0
LV_3 0
LV_4 0
LV_5 0
LV_6 0.502
LV_7 0.114

Means Scores of Latent Variables

LV_1 5.619
LV_2 5.440
LV_3 5.586
LV_4 5.636
LV_5 5.608
LV_6 5.715
LV_7 5.709

151
 Correlations of Latent Variables (SE)

  LV_1 LV_2 LV_3 LV_4 LV_5 LV_6 LV_7

LV_1 1 0.072 (0.071) 0.117 (0.074) 0.244 (0.076)* 0.228 (0.084)* 0.448 (0.085)* 0.187 (0.088)*

LV_2 0.072 (0.071) 1 0.095 (0.071) 0.042 (0.080) 0.062 (0.071) 0.212 (0.095)* 0.192 (0.099)

LV_3 0.117 (0.074) 0.095 (0.071) 1 0.121 (0.091) 0.255 (0.077) *

0.399 (0.082) *
0.266 (0.096)*

LV_4 0.244 (0.076)*

0.042 (0.080) 0.121 (0.091) 1 0.193 (0.091) *
0.398 (0.074) *
0.146 (0.089)

LV_5 0.228 (0.084)* 0.062 (0.071) 0.255 (0.077)* 0.193 (0.091)* 1 0.496 (0.072)* 0.024 (0.081)

LV_6 0.448 (0.085)* 0.212 (0.095)* 0.399 (0.082)* 0.398 (0.074)* 0.496 (0.072)* 1 0.338 (0.080)*

LV_7 0.187 (0.088)* 0.192 (0.099) 0.266 (0.096)* 0.146 (0.089) 0.024 (0.081) 0.338 (0.080)* 1

* significant at .05 level

BANDINGKAN HASILNYA DENGAN AMOS-20

152
153
154
 BAB
Non Parametik
17 Statistik

Tehnik analisis non parametrik diergunakan untuk data

dengan skala nominal, ordinal dan distribution free.
Lihat gambar berikut ini :

Sumber : Kinnear T.C, Taylor J.R, 1971, Multivariate Methods in

Marketing Research, 1971.

155
156
Prosedure dan besarnya sample sbb :

157
 Keterangan :
Relative allowable error (R) = (0.5* precision) / mean
Coefficient of Variatin ( C ) = s / mean s = standard deviation

1.

158
17.1. Uji Binomial ssb:
Sebuah Perusahaan memproduksi Gabin / Crackers
yang dibngkus dengan dua macam warna yaitu :
warna gold (kode 1) dan warna silver (kode 2). Produk
tersebut di pasarkan dan hasil sample sebanyak 25
orang 17 menyukai gold package, dan 8 menyukai
silver package. Apakah kedua pilihan tersebut berbeda
nyata atau tidak ?
Ho : kesukaan masyarakat tidak berbeda (p1 = proporsi
kelempok pertama = p2
Hi : kesukaan masyarakat berbeda nyata (p1 ≠ p2
pada α = 5%)

Cara mengerjakan : spss > analyse > Non_

parmetic tests > binomial

159
160
Kesimpulannya tidak dapat menolak Ho.atau pilihan
konsumen tidak berbeda nyata
Contoh lainnya uji beda apakah nikotin pada rokok telah
sesuai dengan ketetapan pemerintah sama dengan atau
lebih kecil dari 20 mg. Untuk itu perlu dilakukan test sbb :
Misalkan sample sebanyak 10 merek rokok masing masing diambil
2 (dua)bungkus hasilnya sbb (perhatikan dalam mengisi dialog cut
point =20) :

161
162
Dalam hal ini Ho juga tidak dapat ditolak, atau Ho = 20 mg
(sama dengan)
1.2. Uji Run Test – Atas nikotin (berdasarkan kelompok median
dan mean)
Ho. : apakah nilai nikotin sama dengan nila rata ratanya
(mean) atau nilai mediannya
Hi. : Nilai nikotin berbeda nyata jika α ≤ 5%

Hasilnya sbb :

163
 Ho. Tidak ditolak

164
17.3. Wilcoxon T test – signed test
Misalkan akan dilakukan uji beda apakah ada
pebedaan antara nilai mid-test dengan nilai final-
test (ini adalah dua pasang sample yang saling terkait)
– Jika dilakukan uji Wilcoxon dan signed test akan
menghasilkan sbb :

165
Kesimpulannya adalah karena test statistik > α 5% maka kedua
hasil test tersebut dapat dinyatakan tidak berbeda nyata

166
1.4. Mann-Whitney U test ( rank sum test yang
dipergunakan untuk 2 independent samples yang
ditarik dari populasi populasi yang mempunyai
mean yg sama)
Misalkan ditarik sample apptitude test 15 orang
alumni dari 2 universitas (h dan w) yang telah
mendapatkan management training.
Data dan cara me-rankingnya sbb :

167
Kesimpulan hasil test apptitude test alumni kedua
unversitas tersebut berbeda nyata (nilai Z significant
pada α = 1/1000)

168
1.5. Cross Tabulasi – χ2 –test

Misalkan data sbb :

Bukan Perokok (kode Perokok Perokok Berat

perokok = 1) sedang (2) (3)
Hipertensi
21 (data sakit - orang) 36 30
(kode sakit 1)
Tidak
48 26 19
Hipertensi (2)

Dimasukkan data dan analisanya sbb :

169
170
Kebiasaan Merokok dengan sakit hipertensi ada kaitannya

171
17.6. χ2 – test beda proporsi
Misalkan survey terhadap 100 peminum kopi dengan Merek
A, B, C, D, dan E.
Peneliti ingin mengetahui apakah proporsi pemakai merek
kopi berbeda nayata atau tidak
Misalkan data 1 = untuk pemakai merek A, 2 = untuk pemakai
merek B, 3 = pemakai merek C, 4 = untuk pemakai merek D
dan kode 4 untuk pemakai merek E.
Hasil uji beda sebagai berikut :

172
173
 Kesimpulan proporsi berbeda nyata

17.7 Anova
Teching method A (kode 1) B (2) dan C
(kode 3)
Misalkan data sbb :
Metode A Metode B Metode C
Nilai Murid No. 1 16 19 24
2 21 20 21
3 18 21 25
4 13 20 25

174
175
Berdasarkan uji F, terlihat bahwa Hipotesa Nol tidak dapat
diterima (bahwa metode mengajar semuanya sama dan
memberikan hasil yang sama)

176
 Daftar Pustaka

Arbuckle J.L., 1999, Amos 4.0. User’s Guide SPSS INC,

Chicago USA.
Arbuckle J., 1992, AMOS – 3.1 (Analysis of Moment
Structure – Getting Started with AmosDraw under Windows,
Unpublished Work Copyringht 1992 by James Arbuckle Dept. Of
Psychology – Temple University.
Augusty Ferdinant, 2000, Structural Equation Modelling,
BP Univ. Diponegoro, Semarang
Augusty Ferdinant, 2002, Structural Equation Modelling,
edisi 2 BP Univ. Diponegoro, Semarang
Byrne B.M., 1994, Structural Equation Modelling with
EQS /Windows, Sage Pub., London.
Quantitative Miro Software, 1997, EVIEWS 3 User’s
Guide, Irvine, CA.
Gujarati D.N., 1995, Basic Econometrics, 3rd Ed.,
McGraw-Hill International, Singapore.
Hair J F, Anderson R.E., Tatham R.L., and Black W.W.,
1998, Multivarite Data Analysis, Prentice Hall, International Inc.,
London.
Hair J F, Black W.W., Babin B.J, and Anderson R.E., 2010,
Multivarite Data Analysis – Global Perspective, Pearson , New
York.
Hamburg M, 1991, Statistical Analysis for Decision
Making, 5th ed., Harcourt Brace Jovanovich International Edition,
London.
Jorskog K.G., and Sorbom D., 1998, Lisrel 8 User’s
Reference Guide, SSI Software International.
Malhotra N.K, 1996, Marketing Research – an applied
orientation, 2nd ed.,Prentice Hall, New Jersey.

177
 Malhotra N.K, 1999, Marketing Research – an applied
orientation, 3rd ed. Prentice Hall, New Jersey.
Malhotra N.K, 2004, Marketing Research – an applied
orientation, 4th ed. Prentice Hall, New Jersey.
Malhotra N.K, 2010, Marketing Research – an applied
orientation, 4th ed. Prentice Hall, New Jersey
Minitab, ver 13.2 program 1997 – 2002
Mueller R.O., 1996, Basic Priciples of Structural Equation
Modelling, Springer, New York.
Norusiss M. J., 1993, SPSS for Windows Professional
Statistics Release 6.0
SPSS for Windows, ver 6.0 dan 7.0, 11.5 s/d 12 Program
dari SPSS Inc.

178
Lampiran :
Contoh Perintah t-test, Z-test, F-test, Anova, dan
c2 –test dengan MINITAB ver 13.2.

Bahan bahan ini diambil dari :

Ø Untuk ekonometrik terapan diberikan bahan Multiple

Regression Analysis dari textbook Basic Econometrics
oleh D.N. Gujarati (1995), edisi ketiga – Bab 7. Pada bahan
ini diberikan contoh bagaimana melakukan estimasi dengan
beberapa variabel independent, baik dengan menggunakan
model linear maupun model non-linear (polynomial). Model
Ekonometrika ini diterapkan untuk mengestimasi fungsi
produksi Cobb_Douglas (p214) dan mengestimasi fungsi Total
Cost (p218). Tentunya tidak mudah melakukan estimasi dengan
cara manual, karena ruwetnya perhitungan, dan terbatasnya
waktu bagi peserta program MM, untuk maka bersama modul
ini juga dilengkapi paket Ekonometrika – MINITAB ver 13.2.

Ø Untuk Bahan statistik terapan, pada modul ini dijelaskan

bagaimana melakukan testing hipotesa baik untuk satu sample
besar (Z-test p317 dari bahan Statistical Analysis for Decision
Making edisi kelima – bab 7, oleh M. Hamburg (1991)),
2-sample test besar (Z-test – p339); sample kecil (t-test p352),
t-test berpasangan – p362 ; test sebaran probabilitas apakah
sebarannya seragam atau tidak (p382 – tentang c2) ; dan bahan
terakhir adalah analysis of variance dengan menggunakan uji
F.

179
a) t-test dengan MINITAB
MTB > retr ‘a:p363h.dat’
MTB > info
COLUMN NAME COUNT

C1 bdiet 10

C2 afdiet 10

CONSTANTS USED: NONE

MTB > print c1 c2

ROW bdiet afdiet

1 184 181

2 172 172

3 190 185

4 187 184
5 210 201

6 202 201

7 166 160

8 173 168

9 183 180

10 184 179

180
 MTB > describe c1-c2
bdiet afdiet

N 10 10

MEAN 185.1 181.1

MEDIAN 184.0 180.5

TMEAN 184.4 181.3

STDEV 13.4 13.0

SEMEAN 4.2 4.1

MAX 210.0 201.0

MIN 166.0 160.0

Q3 193.0 189.0

Q1 172.8 171.0

MTB > let c3 = c2-c1

MTB > name c3 ‘b-a’
MTB > describe c3
b-a

N 10

MEAN -4.00

MEDIAN -4.00

TMEAN -3.87

STDEV 2.58
SEMEAN 0.82

MAX 0.00

MIN -9.00

Q3 -2.50

Q1 -5.25

181
 MTB > print c1-c3
ROW bdiet afdiet b-a

1 184 181 -3

2 172 172 0

3 190 185 -5

4 187 184 -3

5 210 201 -9

6 202 201 -1

7 166 160 -6

8 173 168 -5

9 183 180 -3

10 184 179 -5

MTB > retri ‘a:p363h.dat’

MTB > twosample c1 c2;
MTB > pooled.
TWOSAMPLE T FOR bdiet VS afdiet

N MEAN STDEV SE MEAN

bdiet 10 185.1 13.4 4.2

afdiet 10 181.1 13.0 4.1

95 PCT CI FOR MU bdiet - MU afdiet: (-8.4, 16.4)

TTEST MU bdiet = MU afdiet (VS NE): T=0.68 P=0.51
DF=18.0

182
b) Z-test

MTB > retr ‘a:app_d.dat’

MTB > info
COLUMN NAME COUNT

C1 foodexp 54

C2 income 64

CONSTANTS USED: NONE

MTB > print c1 c2

ROW foodexp income

1 5.2 28

2 5.1 26

3 5.6 32

4 4.6 24

5 11.3 54

6 8.1 59

7 7.8 44

8 5.8 30

9 5.1 40

10 18.0 82

11 4.9 42

12 11.8 58

13 5.2 28

183
 14 4.8 20

15 7.9 42

16 6.4 47

17 20.0 112

18 13.7 85
19 5.1 31

20 2.9 26

21 3.3 18

22 6.8 30

23 4.9 31

24 10.2 62

25 10.7 54

26 4.8 29

27 5.0 30

28 4.1 34

29 4.4 30

30 4.3 25

31 10.3 57

32 9.8 52

33 7.3 47

34 5.1 36

35 3.3 19

36 4.6 28

37 2.0 17

38 15.3 47

39 11.1 49

40 5.6 87

41 5.8 72

184
 42 8.7 12

43 5.4 28

44 4.8 16

45 10.8 19

46 8.9 45
47 8.0 27

48 6.3 75

49 2.9 63

50 5.1 32

MTB > descri c1-c2

foodexp income

N 54 64

MEAN 7.16 40.9

MEDIAN 5.60 34.5

TMEAN 6.79 39.5

STDEV 3.81 20.5

SEMEAN 0.52 2.6

MAX 20.00 112.0

MIN 2.00 12.0

Q3 9.12 51.7

Q1 4.80 26.2

MTB > help sample

SAMPLE K rows from C,...,C, put into C,...,C

Selects K rows (without replacement) at random

from the specified

185
 columns. Currently SAMPLE can have at most 50
input columns and

50 storage columns.

MTB > sample 35 c2 c22

35 ROWS SELECTED OUT OF 64

THE ROWS SELECTED FROM COLUMN income CONTAIN

30.0000 19.0000 28.0000 35.0000

46.0000 38.0000

26.0000 31.0000 54.0000 50.0000

32.0000 28.0000

26.0000 30.0000 18.0000 12.0000

48.0000 24.0000

78.0000 21.0000 26.0000 49.0000

54.0000 44.0000

25.0000 24.0000 57.0000 27.0000

29.0000 30.0000

45.0000 32.0000 47.0000 85.0000

47.0000

MTB > name c22 ‘smplc235’

MTB > print c22

MTB > describe c22
smplc235

N 35

MEAN 37.0

MEDIAN 31.0
TMEAN 35.5

STDEV 16.1

186
 SEMEAN 2.7

MAX 85.0

MIN 12.0

Q3 47.0

Q1 26.0

MTB > ztest 44 19 c22

TEST OF MU = 44.0 VS MU N.E. 44.0
THE ASSUMED SIGMA = 19.0
N MEAN STDEV SE MEAN Z P VALUE

smplc235 35 37.0 16.1 3.2 -2.18 0.030

MTB > retri ‘a:sample35.dat’

MTB > print c22
smplc235

30 19 28 35 46 38 26 31 54
50 32 28 26

30 18 12 48 24 78 21 26 49
54 44 25 24

57 27 29 30 45 32 47 85 47

MTB > descri c22

smplc235

N 35
MEAN 37.0

MEDIAN 31.0

187
 TMEAN 35.5

STDEV 16.1

SEMEAN 2.7

MAX 85.0

MIN 12.0
Q3 47.0

Q1 26.0

MTB > ztest 38 18.983 c22

TEST OF MU = 38.0 VS MU N.E. 38.0

THE ASSUMED SIGMA = 19.0

N MEAN STDEV SE MEAN Z P VALUE

smplc235 35 37.0 16.1 3.2 -0.31 0.76

MTB > ttest 38 c22

TEST OF MU = 38.0 VS MU N.E. 38.0

N MEAN STDEV SE MEAN T P VALUE

smplc235 35 37.0 16.1 2.7 -0.37 0.71

c) chi – square ( c2 )
MTB > retri ‘a:chi394.dat’
MTB > chisquare c1-c3
EXPECTED FREQUENCIES ARE PRINTED BELOW OBSERVED
FREQUENCIES

I C1 I C2 I C3 ITOTALS

188
 -------I-------I-------I-------I-------

1 I 1000 I 900 I 100 I 2000

I 600.0I 1200.0I 200.0I

-------I-------I-------I-------I-------

2 I 1500 I 2600 I 500 I 4600

I 1380.0I 2760.0I 460.0I

-------I-------I-------I-------I-------

3 I 500 I 2500 I 400 I 3400

I 1020.0I 2040.0I 340.0I

-------I-------I-------I-------I-------

TOTALS I 3000 I 6000 I 1000 I 10000

Keterangan :

pada Baris = 1 = 0 telephone

2 = 1 telephone

3 = 2 atau lebih telephone

pada kolom 1 = 0 / tidak punya mobil

2 = 1 mobil

3 = 2 atau lebih mobil

TOTAL CHI SQUARE =

266.67 + 75.00 + 50.00 +

10.43 + 9.28 + 3.48 +

265.10 +103.73 + 10.59 +

= 794.27
DEGREES OF FREEDOM =( 3-1)X( 3-1) =4

189
d) ANOVA – F test
MTB > retri ‘a:anova426.dat’
MTB > print c1-c3
ROW weight temp food

1 11 1 1

2 15 1 1

3 12 1 1

4 21 1 2

5 22 1 2

6 17 1 2

7 26 1 3

8 22 1 3

9 23 1 3

10 12 2 1

11 14 2 1

12 13 2 1

13 28 2 2

14 29 2 2

15 18 2 2

16 29 2 3

17 27 2 3

18 26 2 3
19 40 3 1

20 28 3 1

21 32 3 1

22 24 3 2

190
 23 26 3 2

24 22 3 2

25 19 3 3

26 18 3 3

27 20 3 3

MTB > help table

TABLE the data classified by C,...,C
Subcommands:

MEANS MINIMUMS STATS NONMISSING

MEDIANS MAXIMUMS DATA

SUMS STDEV PROPORTION

COUNTS CHISQUARE MISSING

ROWPERCENTS COLPERCENTS TOTPERCENTS

ALL NOALL FREQUENCIES LAYOUT

The TABLE command prints one-way, two-way, and

multi-way tables.

Example: TABLE ‘SEX’ BY ‘JOB.TYPE’ BY ‘STATE’;

MEAN ‘INCOME’;

MAXIMUM ‘INCOME’.

A separate two-way table, with sex on rows and

job type on columns,

is printed for each state. Each cell contains 2

numbers, mean income

and maximum income.

191
 Currently TABLE can have at most 10 columns on
the TABLE line.

MTB > table c2 c3;

MTB > data in c1.
ROWS: temp COLUMNS: food

1 2 3

1 11.000 21.000 26.000

15.000 22.000 22.000

12.000 17.000 23.000

2 12.000 28.000 29.000

14.000 29.000 27.000

13.000 18.000 26.000

3 40.000 24.000 19.000

28.000 26.000 18.000

32.000 22.000 20.000

CELL CONTENTS --

weight:DATA

192
MTB > table c2 c3;
MTB > mean c1.
ROWS: temp COLUMNS: food

1 2 3 ALL

1 12.667 20.000 23.667 18.778

2 13.000 25.000 27.333 21.778

3 33.333 24.000 19.000 25.444

ALL 19.667 23.000 23.333 22.000

CELL CONTENTS --

weight:MEAN

MTB > help twoway

TWOWAYAOV data in C, rows in C, columns in C

TWOWAYAOV C, C, C put residuals into C [and fits

into C]

Subcommand: ADDITIVE

Two-way analysis of variance for balanced data.

If there is just one

observation per cell or if you use the subcommand

ADDITIVE, then an

additive model (a model withot an interaction

term) is fit.

Otherwise, the full model is fit. In both cases,

(residual) =

(observation - fitted value).

193
 Note, the output from TWOWAYAOV is shorter than in
earlier releases

of Minitab. Now, if you want a table of cell

means, standard
deviations, fitted values, or residuals use the
command TABLE.

MTB > twoway data in c1; subscri in c2 c3

MTB > twoway data in c1,

subscri in c2 c3

ANALYSIS OF VARIANCE ON weight

SOURCE DF SS MS
temp 2 200.7 100.3
food 2 74.0 37.0
INTERACTION 4 786.7 196.7
ERROR 18 196.7 10.9
TOTAL 26 1258.0

194
Lampiran Tabel t,Z. c2, F, d-w, dan lainnya.
1. Tabel t

195
2. Tabel Z

196
3. F table

197
198
199
 4. Tabel c2

200
5. Tabel Durbin_watson d

201
202
 DW = 2 ( 1 – rho )
Daerah bermasalah
bila (1) Nilai DW antara £ dl atau (2) antara (4 - dl)
Daerah yang tidak jelas (inconclusive) yaitu
pada daerah dl ke du atau
(4 - du)
Daerah yang tidak ada autocorelation-nya yaitu pada daerah
du – ke 4-du

6. Tabel Kolmogorov – Smirnov

203
 Contoh penggunaan K-S sbb :
VLight Light Medium Dark Total
Observed 50 30 15 5 100
Proporsi (%) .50 .3 .15 .5 100%
Komulatif proportion-A .50 .80 .95 1.00
Ho (equal probability) .25 .25 .25 .25 100%
Kom. Ho. - B ,25 .50 .75 1.00
A-B .25 .30 .20 0 .75

Ho. Penjualan Lipstick VL : L : M : D sama (equal)

Hi. Penjualan masing masing type berbeda
Ho. Ditolak jika S(A-B) > Nilai krtisnya yaitu 1.36 / Ö100 =
0.136 dalam hal ini .75 > 1.36, dengan demikian kesimpulannya
penjualan lipstick tersebut berbeda porsi penjualannya.

7. Aplhabet Yunani / Greek

204
Lampiran Model-model grand theory
sebagai acuan untuk membuat model
Multivariate

1) Model Philip Kotler, 1997, p172

205
2) MODEL SCHIFFMAN KANUK ,1997, P565

206
Theory of Reasoned Action

207
208
VALS – 2

209
3) Model Henry Assael., 1995, p18.

210
211
 Model Consumer Decision Making – Schiffman & Kanuk,
1991,p557)

212
Nicosia Model of Consumer Decision Process ,1966)

213
 Model Howard-Sheth of Buyer Behavior (1969)

214
Model The Engel-Kollat-Blackwell – Consumer Behavior (1986)

215
 Model Sheth Family Decision Making (1974)

216
Bettman Information Processing Model of Consumer Choice
Model (1979)

217
218
Prilaku Organisasi

219
 Pengertian component dari theory

1. Concepts à a generally accepted bundle of meaning or

characteristic associated with certain events, objects,
conditions, situations, and bhaviors. Contoh : spreadsheed or
warranty cards, purchase, runninn.
2. constructs à an image or idea spcesifically invented for a given
research and/or theory- building purpose. Exp. language skill
constuct (syntac, vocabulary, spelling, exp2 à intelegence
3. Definition à exp patron didifinisikan sebagai à customers,
clients, clients didifinisikan sebagai à dstnya ……
4. Variables :
a. Independent (IV) dependent variables (DV)
b. moderating variables (MV) is a second independent
variables that is included because it is belivedto have a
significant contributory or contingent effect exp. the intro
of 4 days workweek (IV) will lead to higher productivity
(DV) especially for younger workers (MV)
c. extraneous variable (EV or control variable) à
kemungkinan adanya IV lainnya à exp. among recident
with less than high school education (EV), the loss of high-
income mining jobs (IV) leads to acceptance of higher-risk
behavior to eardn a family-suppoerting income – race car
driving or nocturasl scavaging (DV) – especially due to
the proximity of firing range (MV)
d. Intervining variables (IIV) à factor which theoreticaly
affect the observed phenomenon but can not be seen,
measured, or manipulated (dapat melalui IV, atau MV)
exp. the introduction of 4-workweek (IV) will lead to
higher productivity (DV) by incresing job satisfaction
(IIV) -- exp.2 – a promotion campaign (IV) will increase
saving activity (DV) especially when free prizes are offered

220
 (MV) but chiefly among smaller savers (EV-control), the
results come from enhancing the motivtion to save (IIV)
5. Proposition à a statement about concepts that may be jugeded
as true or false
6. Hypothesis à a tentative and conjectural nature (to be tested)
7. Theory à a set of systematcally interrelated concepss, definitions,
and propositions that are advanced to explain and predict
phenomenon (facts)
8. Models à a representation of a system that is constructed to
study some aspect of that system or the system as a whole

221
 Contoh – Contoh :

222
223
224
225
226
227
 Integrating Contemporary Theories of
Motivation
Stephen P Robbins (2003) Organizational Behavior 10th
ed. Prentice-Hall New Jersey, p177

228