ANALISIS DATA MULTIVARIAT
APAKAH ANALISIS MULTIVARIAT? Bisnis dewasa ini harus lebih
menguntungkan, bereaksi lebih cepat, dan menawarkan produk dan jasa
yang berkualitas tinggi dan pengerjaannya membutuhkan lebih sedikit
orang dan dengan biaya yang lebih rendah. Hal terpenting dalam
proses ini adalah mempunyai pengetahuan dan manajemen yang efektif.
Tidak kurang informasi, tetapi haus akan pengetahuan. Seperti Tom
Peters katakan dalam bukunya Thriving on Chaos, "Kami tenggelam
dalam informasi dan haus akan pengetahuan". Informasi mengenai
pengambilan keputusan sangat banyak dalam beberapa tahun terakhir,
dan akan terus meningkat di masa depan, mungkin lebih cepat. Sampai
saat ini, banyak informasi mulai menghilang. Ia tidak dikumpulkan
atau dibuang. Saat ini informasi ini sedang dikumpulkan dan
disimpan dalam gudang data, dan tersedia untuk "ditambang" untuk
pengambilan keputusan yang baik. Beberapa informasi dapat
dianalisis dan dipahami dengan menggunakan statistik sederhana.
Teknik statistik multivariat dapat mengkonversi data tersebut
menjadi pengetahuan. Sejumlah kemajuan teknologi membantu kita
untuk menerapkan teknik multivariat. Di antara yang paling penting
adalah perkembangan perangkat keras dan perangkat lunak komputer.
Kecepatan hitung telah meningkat dua kali lipat setiap 18 bulan,
sedangkan harganya menurun. Paket user-friendly software telah
menjadikan data masuk dalam area point-and-click sehingga kita
dengan cepat dapat menganalisis sejumlah data yang kompleks dengan
relatif mudah. Memang, pusat-pusat penelitian tentang industri,
pemerintah, dan universitas di seluruh dunia banyak menggunakan
teknik-teknik ini. Kita menggunakan istilah umum peneliti
(research) untuk mengacu pada seorang analisis data dalam komunitas
akademis atau praktisi. Kami merasa tidak pantas untuk
memperbedakan kedua area ini karena penelitian keduanya berdasarkan
pada basis teoritis dan kuantitatif. Meskipun tujuan dan penekanan
dalam interpretasi penelitian mungkin berbeda, namun seorang
peneliti dalam suatu wilayah harus mengatasi semua masalah, baik
secara konseptual maupun empiris. ANALISIS MULTIVARIAT DALAM
ISTILAH STATISTIK Teknik analisis multivariat dikenal luas karena
organisasi bisa menciptakan pengetahuan lewat teknik tersebut dan
dengan demikian meningkatkan pengambilan keputusan
mereka. Analisis multivariat adalah semua teknik statistik yang
secara bersamaan menganalisa pengukuran berganda pada individu atau
objek yang diteliti. Dengan demikian, setiap analisis simultan yang
terdiri dari dua atau beberapa variabel dapat dianggap sebagai
analisis multivariat. Teknik-teknik multivariat merupakan
pengembangan dari analisis univariat (analisis distribusi satu
variabel) dan analisis bivariat (klasifikasi menyilang, korelasi,
analisis varians, dan regresi sederhana yang digunakan untuk
menganalisis dua variabel). Misalnya, regresi sederhana (dengan
satu variabel prediktor) dikembangkan dalam multivariat menjadi
beberapa variabel prediktor. Begitu pula, variabel dependen tunggal
dalam analisis varians dikembangkan dalam analisis multivariat
varians menjadi beberapa variabel dependen berganda. Beberapa
teknik multivariat (misalnya, regresi berganda dan analisis
multivariat varians) menjadi cara untuk melakukan analisis tunggal
seperti pada analisis univariat berganda. Namun, teknik-teknik
multivariat lainnya, secara khusus dirancang untuk menangani
masalah-masalah multivariat, seperti analisis faktor, yang
mengidentifikasi struktur yang mendasari pengelompokkan variabel,
atau analisis diskriminan, yang membedakan antar kelompok
berdasarkan satu kelompok variabel. Kebingungan kadang-kadang
muncul mengenai apa itu analisis multivariat, karena istilah ini
tidak digunakan secara konsisten dalam literatur. Beberapa peneliti
menggunakan multivariat hanya untuk memaksudkan hubungan antara
diantara lebih dari dua variabel. Peneliti lainnya menggunakan
istilah itu hanya untuk masalah variabel berganda yang diasumsikan
memiliki distribusi multivariat normal. Namun, Untuk memastikan
benar-benar multivariat, semua variabel harus acak dan
diperhubungkan dengan sedemikian rupa sehingga perbedaan efeknya
tidak bisa dimaknai secara terpisah. Beberapa penulis menyatakan
bahwa tujuan dari analisis multivariat adalah untuk mengukur,
menjelaskan, dan memprediksi tingkat hubungan antar variatas (bobot
kombinasi variabel). Jadi, karakter multivariat terletak pada
variatas berganda (bobot kombinasi variabel), dan bukan hanya dalam
jumlah variabel atau observasi. Analisis multivariat mencakup
teknik yang bisa dimultivariatkan (multivariable technique) dan
teknik yang benar-benar multivariat, karena kita percaya bahwa ilmu
teknik multivariabel adalah langkah awal yang penting dalam
memahami analisis multivariat. BEBERAPA KONSEP DASAR ANALISIS
MULTIVARIAT Meskipun akar dari analisis multivariat adalah
statistik univariat dan bivariat, namun domain luas dari
multivariat memperkenalkan tambahan konsep dan isu-isu yang
relevan. Konsep ini mengenai perlunya memahami konsep dasar buiding
block dari dari analisis
multivariat variate untuk menjelaskan masalah-masalah yang
berkaitan dengan jenis-jenis skala pengukuran yang digunakan dan
masalah-masalah statistik pengujian signifikansi dan tingkat
kepercayaan. Setiap konsep berperan penting dalam keberhasilan
penerapan setiap teknik multivariat. Variate Seperti telah
disebutkan sebelumnya, building block dari analisis multivariat
adalah variate, suatu kombinasi variabel yang linear dengan bobot
empiris yang ditentukan. Variabel ditentukan oleh peneliti,
sedangkan bobot ditentukan dengan teknik multivariat untuk memenuhi
tujuan tertentu. Sebuah variate dengan variabel bobot n (Xl ke Xn)
dapat dinyatakan secara matematis sebagai berikut:
dimana Xn adalah variabel yang diobservasi dan wn adalah bobot
yang ditetapkan oleh teknik multivariat. Hasilnya adalah nilai
tunggal yang menunjukkan kombinasi dari seluruh kelompok variabel
yang mencapai seluruh tujuan khusus dari analisis multivariat.
Dalam regresi berganda, variate ditentukan dengan cara
memaksimalkan korelasi antara variabel independen berganda dan
variabel dependen tunggal. Dalam analisis diskriminan, variate
dibentuk untuk mendapatkan nilai setiap observasi yang membedakan
antar kelompok-kelompok observasi. Dalam analisis faktor, variate
dibentuk untuk menunjukkan struktur atau pola dasar dari variabel
yang mewakili korelasinya. Dalam setiap contoh, variate mencakup
karakter multivariat analisis. Dengan demikian, dalam pembahasan
setiap teknik, variate merupakan titik fokus dari suatu analisis.
Kita harus memahami tidak hanya dampak kolektifnya dalam memenuhi
tujuan teknik, tetapi juga kontribusi masing-masing variabel atas
keseluruhan efek variate. Skala Pengukuran Data analisis melibatkan
identifikasi dan pengukuran variasi kelompok variabel, baik
diantara mereka sendiri atau antar variabel dependen dan satu atau
beberapa variabel independen. Kata kuncinya di sini adalah
pengukuran (measurement) karena peneliti tidak dapat menentukan
variasi kecuali dengan pengukuran. Pengukuran adalah penting untuk
secara akurat menunjukkan konsep yang diinginkan dan menjadi alat
dalam memilih metode analisis multivariat yang tepat. Data dapat
diklasifikasikan dalam satu dari dua kategori nonmetric
(kualitatif) dan metrik (kuantitatif) berdasarkan jenis atribut
atau karakteristiknya.
Peneliti harus menentukan jenis pengukuran nonmetric atau metrik
untuk setiap variabel. Dalam komputer, nilai tersebut berupa
angka-angka. SKALA PENGUKURAN NONMETRIC. Data nonmetric
menggambarkan perbedaan tipe atau jenis yang menunjukkan ada atau
tidak adanya karakteristik atau properti. Properti ini bersifat
diskrit yang memiliki ciri tertentu, misalnya, jika seseorang
adalah pria, maka dia tidak bisa menjadi perempuan. Se "jumlah"
gender tidak mungkin, hanya dengan menyatakan lelaki atau
perempuan. Pengukuran Nonmetric dapat dibuat dengan skala nominal
atau skala ordinal. Skala Nominal. Skala nominal memberikan
penomoran sebagai cara untuk label atau mengidentifikasi subyek
atau obyek. Nomor yang disematkan pada objek tidak memiliki makna
kuantitatif selain menunjukkan ada atau tidak adanya atribut atau
karakteristik yang diteliti. Oleh karena itu, skala nominal, juga
dikenal sebagai skala kategori, hanya bisa memberikan jumlah
kejadian dalam setiap kelompok atau kategori variabel yang sedang
dikaji. Sebagai contoh, dalam mewakili gender (pria atau wanita)
peneliti dapat menggunakan angka-angka pada setiap kategori
(misalnya, 2 untuk perempuan dan 1 untuk laki-laki). Namun, dengan
nilai-nilai ini, kita hanya bisa mentabulasikan jumlah pria dan
wanita; hal ini tidak mungkin untuk menghitung nilai rata-rata
gender. Data nominal hanya mewakili kategori atau kelas dan tidak
mewakili jumlah atribut atau karakteristik. Contoh umum dari
pemakaian data skala nominal adalah berbagai atribut demografis
(misalnya, jenis kelamin seseorang, agama, pekerjaan, atau afiliasi
partai politik), berbagai bentuk perilaku (misalnya, perilaku
memilih atau kegiatan pembelian), atau kegiatan lain yang diskrit
(terjadi atau tidak). Skala Ordinal. Skala ordinal selanjutnya
merupakan tingkat ketepatan pengukuran yang "lebih tinggi". Dalam
hal skala ordinal, variabel dapat diatur atau diurut sesuai dengan
jumlah atribut yang dimiliki. Setiap subjek atau objek dapat
dibandingkan dengan yang lain dalam hal hubungan yang "lebih besar
dari" atau "kurang dari". Namun, Angka-angka digunakan dalam skala
ordinal adalah benar-benar nonquantitative karena ia hanya
menunjukkan posisi relatif dalam rangkaian urutan. Skala ordinal
bukan merupakan ukuran dari jumlah atau besar yang sebenarnya,
melainkan hanya urutan nilai. Peneliti tahu urutan, tetapi bukan
jumlah perbedaan antara nilai-nilai tersebut. Misalnya, tingkat
perbedaan kepuasan masing-masing konsumen pada beberapa produk baru
bisa digambarkan, pertama menggunakan skala ordinal. Skala berikut
menunjukkan tanggapan responden terhadap ketiga produk
tersebut.
Ketika kita mengukur variabel ini dengan skala ordinal, kita
membuat "rank order" produk berdasarkan tingkat kepuasan. Kita
menginginkan ukuran yang mencerminkan responden merasa lebih puas
dengan Produk A daripada produk B dan lebih puas dengan produk B
daripada Produk C, hanya berdasarkan posisinya pada skala. Kita
bisa menetapkan nilai "rank order" (1 = paling puas, 2 = berikutnya
paling puas, dll) 1 untuk produk A (paling puas), 2 untuk produk B,
dan 3 untuk produk C. Bila dilihat sebagai data ordinal, kita tahu
bahwa produk A mempunyai tingkat paling memuaskan, diikuti oleh
produk B dan kemudian produk C. Namun, kita tidak bisa menyatakan
tingkat perbedaan antar produk (misalnya, kita tidak bisa menjawab
pertanyaan apakah perbedaan antara produk A dan B lebih besar
daripada perbedaan antara produk B dan C). Kita harus menggunakan
skala interval untuk menilai besaran perbedaan antara produkproduk
tersebut. Pada kebanyakan contoh, peneliti mungkin ingin
menggunakan ukuran ordinal, tetapi implikasi dari penerapan jenis
analisis ini sangat substansial. Seorang analis tidak bisa
melakukan hitungan aritmatika (tidak ada penjumlahan, rata-rata,
perkalian atau pembagian, dll), sehingga data nonmetric sangat
terbatas penggunaannya dalam menghitung koefisien model. Olehnya
itu, berbagai teknik multivariat diciptakan untuk menyelesaikan
data nonmetric (misalnya, analisis korespondensi) atau menggunakan
data nonmetrik sebagai variabel independen (misalnya, analisis
diskriminan dengan variabel dependen nonmetric atau analisis
multivariat varians dengan variabel independen nonmetrik). Dengan
demikian, seorang analis harus mengetahui semua data nonmetric agar
pemakaiannya tepat dalam teknik multivariate. SKALA PENGUKURAN
METRIC. Berbeda dengan data nonmetric, data metrik digunakan ketika
subyek memiliki perbedaan jumlah atau tingkat pada atributnya.
Variabel pengukuran metrik menunjukkan kuantitas atau tingkat
relatif beberapa atribut yang melibatkan jumlah atau besarnya,
seperti tingkat kepuasan atau komitmen terhadap suatu pekerjaan.
Kedua skala pengukuran metrik ini adalah skala interval dan skala
rasio. Skala Interval. Skala interval dan skala rasio (keduanya
metrik) merupakan tingkat ketepatan pengukuran tertinggi, yang
memungkinkan penggunaan hitungan matematika. Kedua skala ini
memiliki unit pengukuran konstan. Pada contoh sebelumnya dalam
mengukur tingkat kepuasan, data metrik dapat diperoleh dengan
selisih antara satu ujung skala dengan posisi setiap produk.
Asumsikan
bahwa produk A adalah 2,5 unit dari ujung kiri, produk B adalah
6,0 unit, dan produk C adalah 12 unit. Dengan menggunakan
nilai-nilai ini sebagai ukuran kepuasan, kita tidak bisa hanya
menyatakan hal yang sama dengan pada data ordinal (misalnya, urutan
peringkat produk), tetapi kita juga bisa melihat bahwa perbedaan
antara produk A dan B jauh lebih kecil (6,0 2,5 = 3,5) daripada
perbedaan antara produk B dan C (12,0 6,0 = 6.0). Satu-satunya
perbedaan nyata antara skala interval dan rasio adalah skala
interval menggunakan arbitrary zero point, sedangkan skala rasio
menggunakan absolute zero point. Skala interval yang paling
terkenal adalah skala suhu Fahrenheit dan Celcius. Misalnya, 80F
tidak bisa dibenarkan mengatakan dua kali lebih panas dari 40F,
karena kita tahu bahwa 80F, pada skala yang berbeda, seperti
Celcius, adalah 26,7C. Demikian pula, 40F pada skala Celsius adalah
4,4C. Meskipun 80F dua kali panasnya dari 40F, namun seseorang
tidak bisa mengatakan bahwa panas 80F adalah dua kali panasnya dari
40F karena, menggunakan skala yang berbeda, panasnya tidak dua kali
lebih besar, yaitu 4,4C X 2 26,7C. Skala Rasio. Skala rasio
menunjukkan bentuk tertinggi dari ketepatan pengukuran karena ia
memiliki kelebihan dari semua skala yang lebih rendah ditambah
dengan absolute zero point. Semua hitungan matematika bisa
menggunakan pengukuran skala rasio. Skala kamar mandi atau mesing
timbangan laing merupakan contoh dari skala ini, karena mereka
memiliki absolute zero point dan bisa dinyatakan dalam kelipatan
ketika dikaitkan dengan skala lain, misalnya, 100 pon adalah dua
kali lebih berat dari 50 pon. PENGARUH PEMILIHAN SKALA PENGUKURAN.
Memahami perbedaan jenis-jenis skala pengukuran ini penting karena
dua alasan:1.
Peneliti harus mengidentifikasi skala pengukuran setiap variabel
yang
digunakan, agar data nonmetric tidak salah digunakan sebagai
data metrik, dan begitupula sebaliknya (seperti contoh mengenai
gender, dimana 1 untuk laki-laki dan 2 untuk perempuan). Jika
peneliti tidak benar mendefinisikan ukuran ini sebagai metrik, maka
ia bisa digunakan dengan tidak tepat (misalnya, mencari nilai
rata-rata gender).2. Skala pengukuran juga penting dalam menentukan
teknik-teknik multivariat yang paling
cocok dalam suatu data, mengenai variabel independen dan
dependen. Kesalahan Pengukuran dan Pengukuran Multivariat
Penggunaan variabel berganda dan kombinasinya (variate) dalam
teknik multivariat juga memfokuskan perhatian pada masalah lain
kesalahan pengukuran (measurement error). Kesalahan pengukuran
adalah sejauh mana nilai-nilai yang diamati tidak mewakili
nilai-nilai yang "sebenarnya". Kesalahan pengukuran bersumber
dari beberapa hal, mulai dari kesalahan pengimputan data sampai
pada ketidakakuratan pengukuran (misalnya, memaksakan skala rating
nilai 7 untuk pengukuran perilaku ketika peneliti tahu bahwa
responden hanya bisa bisa memberi respon rating nilai 3), termasuk
juga ketidakmampuan responden dalam memberikan informasi yang
akurat (misalnya, respon mengenai pendapatan rumah tangga mungkin
cukup akurat tapi jarang benar-benar tepat). Jadi, semua variabel
yang digunakan dalam teknik multivariat harus diasumsikan memiliki
beberapa tingkat kesalahan pengukuran. Kesalahan pengukuran ini
menambah "kerumitan" dalam variabel yang diukur atau yang
diobservasi. Dengan demikian, nilai observasi yang didapatkan
menunjukkan tingkat yang sebenarnya dan yang rumit. Ketika
digunakan untuk menghitung korelasi atau nilai ratarata (mean),
maka efek sebenarnya sebagian ditutupi oleh kesalahan pengukuran,
yang menyebabkan korelasi melemah dan mean-nya menjadi kurang
tepat. VALIDITAS DAN RELIABILITAS. Tujuan peneliti mengurangi
kesalahan pengukuran dapat dilakukan dengan beberapa jalur. Dalam
menilai tingkat kesalahan pengukuran dalam suatu ukuran, peneliti
harus memperhatikan dua karakteristik penting dari suatu
pengukuran:
Validitas adalah sejauh mana suatu pengukuran secara akurat
mewakili apa yang
seharusnya. Sebagai contoh, jika kita ingin mengukur pendapatan
tambahan, kita tidak perlu menanyakan seluruh pendapatan rumah
tangga. Memastikan validitas dimulai dengan memahami apa yang ingin
diukur dan kemudian menentukan ukuran yang benar dan akurat. Namun,
keakuratan tidak menjamin validitas. Misalnya, dalam pendapatan,
peneliti justru bisa menentukan total pendapatan rumah tangga,
tetapi masih bisa "salah" (yaitu, ukuran yang tidak valid) dalam
mengukur pendapatan tambahan karena pertanyaan yang "benar" tidak
diajukan.
Jika sudah diperoleh validitas, peneliti masih harus
mempertimbangkan reliabilitas pengukuran. Reliabilitas adalah
sejauh mana variabel yang diamati menghasilkan nilai yang "benar"
dan "bebas dari kesalahan"; Olehnya itu, ia adalah kebalikan dari
kesalahan pengukuran. Jika ukuran yang sama ditanyakan berulang
kali, misalnya, ukuran yang reliable, akan menghasilkan konsistensi
yang lebih besar daripada ukuran yang kurang reliable. Peneliti
harus selalu menilai variabel yang digunakan dan, jika ada
alternatif ukuran kevalidan, maka pilih variabel yang memiliki
reliability yang lebih tinggi.
MENGGUNAKAN PENGUKURAN MULTIVARIAT. Selain mengurangi kesalahan
pengukuran dengan memperbaiki variabel individu, peneliti juga
dapat memilih menggunakan ukuran multivariat (multivariate
measurement), yang juga disebut sebagai summated scales,
yang mana beberapa variabel digabungkan dalam composite measure
untuk menggambarkan sebuah konsep (misalnya, multiple-item
personality scale atau summed rating of produkct satisfiction).
Tujuannya adalah untuk menghindari penggunaan hanya satu variabel
tunggal untuk menggambarkan sebuah konsep dan ketimbang menggunakan
beberapa variabel sebagai indikator. Penggunaan indikator berganda
memungkinkan peneliti secara tepat menentukan respon yang
diinginkan. Misalnya, dalam mengukur tingkat kepuasan, kita bisa
mengajukan sebuah pertanyaan, "Seberapa puaskah anda?" dan
mendasarkan analisis pada respon tunggal. Atau summated scale bisa
dibuat dengan menggabungkan beberapa respon tingkat kepuasan
(misalnya, mencari nilai rata-rata diantara ketiga ukuran kepuasan,
kemungkinan untuk membeli, dan kemungkinan untuk membeli lagi).
Perbedaan pengukuran bisa menghasilkan respon yang berbeda-beda.
Titik jelasnya bahwa respon berganda menunjukkan respon yang benar
lebih akurat daripada respon tunggal. Peneliti harus menilai
reliablity memasukan skala dalam analisis. DAMPAK DARI KESALAHAN
PENGUKURAN. Dampak dari kesalahan pengukuran dan reliability yang
buruk tidak bisa secara langsung terlihat karena mereka berada
dalam variabel yang diamati. Olehnya itu, peneliti harus selalu
berupaya untuk meningkatkan reliabilitas dan validitas, agar
menghasilkan gambaran yang akurat dari variabel yang diinginkan.
Kesalahan pengukuran tidak hanya menimbulkan kesalahan hasil tapi
juga menyebabkan kesalahan penentuan hubungan sehingga menyebabkan
teknik multivariat menjadik kurang kuat. Mengurangi kesalahan
pengukuran, walaupun membutuhkan usaha, waktu, dan sumber daya
tambahan, dapat memperbaiki hasil yang lemah atau marjinal dan juga
memperkuat keakuratan hasil.
SIGNIFIKANSI STATISTIK VERSUS DAYA STATISTIK Semua teknik
multivariat, kecuali analisis cluster dan perceptual mapping,
didasarkan pada inferens statistik dari hubungan atau nilai-nilai
variabel populasi yang sampelnya diambil secara acak dalam
populasi. Sensus seluruh populasi menjadikan inferens statistik
tidak dibutuhkan, karena setiap perbedaan atau hubungan, betapapun
kecilnya, adalah benar dan tidak ada. Para peneliti sangat jarang
menggunakan sensus. Oleh karena itu, peneliti sering mengambil
inferens dari sampel. Jenis-Jenis Kesalahan Statistik dan Daya
Statistik
Interpretasi inferens statistik mengharuskan seoarang peneliti
untuk menentukan tingkat kesalahan statistik yang bisa diterima
yang diakibatkan dari penggunaan sampel (dikenal dengan sampling
error). Pendekatan yang paling umum adalah menentukan tingkat Type
I error, yang dikenal dengan alpha (). Type I error adalah
probabilitas untuk menolak hipotesis nol ketika benar-benar terjadi
umumnya disebut sebagai false positive. Dengan menetapkan tingkat
alfa, peneliti menetapkan batas kesalahan yang dapat diterima dan
menunjukkan probabilitas kesimpulan signifikansi ketika tidak
terjadi. Ketika menentukan tingkat type I error, peneliti juga
menentukan kesalahan terkait, yang diistilakam dengan Type II
error, atau beta (). Kesalahan Tipe II ini adalah probabilitas
untuk tidak menolak hipotesis nol ketika benar-benar salah.
Perpanjangan dari type II error adalah 1 - , yang disebut dengan
daya uji inferens statistik. Daya adalah probabilitas untuk
menunjukkan signifikansi statistik. Hubungan probabilitas perbedaan
kesalahan ditampilkan dibawah ini:
Meskipun penentuan alpha membutuhkan tingkat signifikansi
statistik yang dapat diterima, namun ia merupakan tingkat daya yang
menunjukkan probabilitas keberhasilan dalam menemukan perbedaan
jika benar-benar ada. Mengapa tidak menetapkan kedua alpha dan beta
pada tingkat yang dapat diterima? Karena kesalahan tipe I dan tipe
II berbanding terbalik. Dengan demikian, kesalahan tipe I kesalahan
menjadi lebih restriktif (bergerak lebih dekat ke nol) ketika
probabilitas kesalahan tipe II meningkat. Artinya, pengurangan
kesalahan type I mengurangi daya uji statistik. Sehingga, peneliti
harus menjaga keseimbangan antara tingkat alpha dan daya yang
dihasilkan. Dampak Pada Daya Statistik Tapi mengapa tingkat daya
yang tinggi tidak bisa tercapai? Daya bukan semata-mata fungsi dari
alfa. Daya ditentukan oleh tiga faktor:1. Ukuran efek probabilitas
untuk mencapai signifikansi statistik didasarkan tidak hanya
pada pertimbangan statistik, tetapi juga pada ukuran efek yang
sebenarnya. Jadi, ukuran efek (effect size) membantu peneliti
menentukan apakah hubungan yang diamati
(perbedaan atau korelasi) mempunyai makna. Misalnya, ukuran efek
bisa menjadi pembeda mean antara dua kelompok atau korelasi antara
variabel. Jika sebuah universitas mengklaim lulusan MBA-nya
mendapatkan gaji awal 50 persen lebih tinggi dari rata-rata, maka
persen merupakan ukuran efek yang dikaitkan dengan perolehan gelar.
Ketika memeriksa ukuran efek, efek yang besar lebih nampak daripada
efek yang kecil dan karenanya akan memepngaruhi daya uji statistik.
Untuk menilai daya dari tiap uji statistik, peneliti harus terlebih
dahulu memahami efek yang dikaji. Ukuran efek diartikan secara
standar untuk mempermudah perbandingan. Perbedaan mean (nilai
rata-rata) dinyatakan dalam standar deviasi, sehingga ukuran efek
.5 menunjukkan bahwa perbedaan mean adalah setengah dari standar
deviasi. Untuk korelasi, ukuran efek didasarkan pada korelasi antar
variabel.2. Alpha () ketika alfa menjadi lebih ketat, maka daya
menurun. Oleh karena itu, ketika
peneliti mengatakan sesuatu yang salah bahwa efek signifikan
padahal sebenarnya tidak signifikan, maka kemungkinan benar untuk
menghasilkan efek berkurang. Pedoman konvensional menunjukkan
tingkat alpha .05 atau .01. Para peneliti harus mempertimbangkan
dampak dari tingkat daya alpha sebelum memilih tingkat alpha.3.
Ukuran sampel ketika tingkat alfa diketahui, maka ukuran sampel
selalu
menghasilkan daya yang lebih besar dalam uji statistik. Ketika
ukuran sampel meningkat, maka peneliti harus memutuskan jika daya
tersebut terlalu tinggi. Yang kami maksud dengan "terlalu tinggi"
adalah bahwa dengan bertambahnya ukuran sampel, maka akan muncul
efek yang kecil (misalnya, korelasi). Peneliti harus selalu
menyadari bahwa ukuran sampel dapat mempengaruhi uji statistik baik
dengan membuatnya tidak sensitif (pada ukuran sampel kecil) atau
terlalu sensitif (pada ukuran sampel yang sangat besar). Sebuah
contoh melibatkan uji perbedaan antara nilai rata-rata dari dua
kelompok. Asumsikan bahwa ukuran efek diperkirakan berkisar antara
kecil (0,2) dan sedang (0,5). Peneliti kini harus menentukan
tingkat alpha yang diperlukan dan ukuran sampel dari setiap
kelompok. Tabel 1 menggambarkan dampak dari ukuran sampel dan
tingkat alpha pada kekuasaan. Perhatikan bahwa dengan daya ukuran
efek sedang mencapai tingkat yang dapat diterima pada ukuran sampel
100 atau lebih untuk tingkat alpha .05 dan .01. Tetapi, ketika
ukuran efek kecil, uji statistik memiliki sedikit daya, walaupun
dengan tingkat alpha yang lebih fleksibel atau ukuran sampel 200
atau lebih. Sebagai contoh, jika ukuran efek kecil maka sampel 200
dengan alpha .05 hanya memiliki kesempatan 50 persen perbedaan yang
signifikan. Hal ini menunjukkan bahwa jika peneliti mengharapkan
bahwa ukuran efek akan kecil maka
penelitian harus memiliki ukuran sampel yang jauh lebih besar
dan/atau tingkat alpha yang kurang restriktif (misalnya, .10).
Menggunakan Daya dengan Teknik Multivariat Peneliti dapat
menggunakan analisis daya dalam design penelitian atau setelah
pengumpulan data. Dalam design penelitian, ukuran sampel dan
tingkat alpha dipilih untuk mencapai daya yang diinginkan. Power
juga diperiksa setelah analisis diselesaikan untuk menentukan daya
aktual yang dicapai agar hasilnya dapat diinterpretasikan. Apakah
hasilnya karena efek ukuran, ukuran sampel, atau tingkat
signifikansi? Masing-masing faktor ini dinilai untuk menentukan
dampaknya terhadap signifikansi atau nonsignifikansi hasil.
KLASIFIKASI TEKNIK MULTIVARIAT Untuk membantu Anda dalam memahami
teknik-teknik multivariat tertentu, kami menyajikan klasifikasi
metode multivariat pada Gambar 1. Klasifikasi ini didasarkan pada
tiga pertimbangan yang peneliti harus buat sehubungan tujuan
penelitian dan sifat data:1.
Dapatkah variabel dibagi dalam klasifikasi independen dan
dependen menurut Jika bisa, berapa banyak variabel yang dijadikan
sebagai dependen dalam Bagaimana mengukur variabel dependen dan
independen?
teori tertentu?2.
analisis tunggal?3.
Pemilihan teknik multivariat yang tepat tergantung pada jawaban
ketiga pertanyaan di atas. Ketika mempertimbangkan penerapan teknik
statistik multivariat, Jawaban untuk pertanyaan pertama Dapatkah
variabel dibagi dalam klasifikasi independen dan dependen menurut
teori tertentu? menunjukkan apakah teknik dependence dan
independence harus digunakan.
Perhatikan bahwa dalam Gambar 1, teknik dependence berada di
sisi kiri dan teknik independence berada di sebelah kanan. Teknik
dependence bisa didefinisikan sebagai suatu teknik dimana variabel
atau kumpulan variabelnya diidentifikasi sebagai variabel dependen
yang diprediksi atau dijelaskan oleh variabel-variabel lain yang
disebut dengan variabel independen. Contoh dari teknik dependence
adalah analisis regresi berganda. Sedangkan, teknik independence
adalah suatu teknik dimana tidak ada satu variabel atau sekelompok
variabel didefinisikan menjadi independen atai dependen. Analisis
faktor adalah contoh dari teknik interdependence.
Teknik Dependence Teknik-teknik dependence yang berbeda dapat
dikategorikan dengan dua karakteristik: (1) jumlah variabel
dependen dan (2) jenis skala pengukuran yang digunakan oleh
variabel. Pertama, berkaitan dengan jumlah variabel dependen,
teknik dependent dapat digolongkan sebagai teknik yang memiliki
variabel dependen tunggal, beberapa variabel dependent, atau bahkan
beberapa hubungan dependent/independent. Kedua, teknik dependence
dapat diklasifikasikan lagi sebagai teknik yang memiliki variabel
dependent metrik (quantitative/numerical) atau nonmetrik
(qualitative/ categorical). Jika analisis menggunakan satu variabel
dependen tunggal yang disebut metrik, maka teknik yang tepat adalah
menggunakan analisis regresi berganda atau analisis konjoint.
Analisis conjoint adalah kasus khusus. Ia menggunakan prosedur
dependence yang bisa berperan variabel dependent sebagai metrik
atau nonmetrik, tergantung pada jenis data yang dikumpulkan.
Sebaliknya, jika variabel dependen tunggal adalah nonmetric
(categorical), maka teknik yang tepat adalah menggunakan analisis
diskriminan berganda dan model probabilitas linier. Ketika masalah
penelitian menggunakan beberapa variabel dependen, maka ada empat
teknik analisis yang cocok. Jika beberapa variabel dependen adalah
metrik, maka kita harus melihat ke variabel independent. Jika
variabel independentnya adalah nonmetric, maka teknik analisis
varians multivariat (MANOVA) harus dipilih. Jika variabel
independenya adalah metrik, maka teknik yang tepat adalah korelasi
kanonik. Jika beberapa variabel dependen adalah nonmetric, maka
variabel tersebut dapat diubah melalui dummy variable yang berkode
(0-1) dan analisis kanonik bisa lagi digunakan. Terakhir, jika
kumpulan hubungan variabel dependent/independent dijadikan dalil,
maka teknik yang tepat adalah equation modelling. Sebuah hubungan
yang erat terjadi antara beberapa prosedur dependence, yang dapat
dilihat sebagai sebuah kesatuan teknik. Tabel 2 menguraikan
berbagai teknik dependence multivariat menurut sifat dan jumlah
variabel dependen dan independen. Seperti yang kita lihat, korelasi
kanonik dapat dianggap sebagai model umum karena ia mempunyai
batasan dalam jenis dan jumlah variabel baik variate dependent
maupun independent. Teknik Interdependence Teknik interdependence
ditampilkan pada sisi kanan Gambar 1. Pembaca akan ingat bahwa
dengan teknik interdependence variabel tidak dapat diklasifikasikan
baik sebagai dpendent maupun independent. Sebaliknya, semua
variabel dianalisis secara simultan untuk mendapatkan struktur
dasar dari seluruh kumpulan variabel atau subyek. Jika struktur
variabel harus dianalisis, maka analisis faktor atau analisis
confirmatory factor menjadi teknik yang tepat. Jika kasus atau
responden harus dikelompokkan untuk mewakili struktur, maka
analisis
cluster yang harus dipakai. Terakhir, jika fokusnya adalah
struktur objek, maka teknik yang harus digunakan adalah teknik
perceptual mapping. Seperti halnya teknik dependence, teknik
pengukuran perlu dipertimbangkan. Secara umum, analisis faktor dan
analisis cluster merupakan teknik interdependence metrik. Namun,
data nonmetric dapat dirubah menjadi dummy variable coding untuk
digunakan dalam analisis faktor dan kluster. Pendekatan metrik dan
nonmetric terhadap perceptual mapping telah dikembangkan. Jika
interdependence obyek yang diukur dengan data nonmetrik harus
dianalisis, maka teknik yang tepat adalah analisis
korespondensi.
JENIS TEKNIK MULTIVARIAT Analisis multivariat merupakan
pengembangan dari sejumlah teknik analisis data. Teknik-teknik
multivariat meliputi: 1. Principal components dan common factor
analysis 2. Multiple regression dan multiple correlation3. Multiple
discriminant analysis dan logistic regression 4. Cannonical
correlation analysis 5. Multivariate analysis of variance dan
covariance 6. Conjoint analysis 7. Cluster analysis
8. Perceptual mapping, juga deikenal dengan multidimensionl
scalling 9. Correspondence analysis 10. Structural equation
modelling dan confirmatory factor analysis
Berikut ini akan dijelaskan masing-masing teknik multivanate dan
tujuan penerapannya. Principal Component Dan Common Factor Analysis
Analisa faktor, termasuk analisis komponen utama (principal
component analysis) dan analisis faktor umum (common factor
analysis), merupakan sebuah pendekatan statistik yang bisa
digunakan untuk menganalisis hubungan timbal balik di antara
sejumlah besar variabel dan menjelaskan variabel-variabel tersebut
dari segi dimensi umum yang mendasarinya (faktor). Tujuannya adalah
menemukan cara kondensasi informasi yang terdapat dalam sejumlah
variabel asli ke dalam kumpulan variate yang lebih kecil (faktor)
tanpa kehilangan informasi. Dengan memberikan estimasi struktur
empiris variabel, analisis faktor menjadi landasan objektif dalam
membuat summated scales. Seorang peneliti bisa menggunakan analisis
faktor, misalnya, untuk lebih memahami hubungan antara rating
pelanggan dari sebuah restoran cepat saji. Asumsikan Anda meminta
pelanggan untuk memberi penilaian terhadap suatu restoran dengan
enam variabel berikut: cita rasa makanan, suhu makanan, kesegaran,
waktu tunggu, kebersihan, dan keramahan karyawan. Seorang analis
ingin menggabungkan enam variabel ini menjadi jumlah yang lebih
kecil. Dengan menganalisa respons pelanggan, analis tersebut
mungkin menemukan bahwa variabel cita rasa makanan, suhu, dan
kesegaran digabungkan membentuk satu faktor tunggal menjadi
qualitas makanan, sedangkan variabel waktu tunggu, kebersihan, dan
keramahan karyawan digabungkan membentuk faktor tunggal lain yang
disebut kualitas layanan. Multiple Regression Regresi berganda
(multiple regression) adalah metode analisis yang cocok untuk
masalah penelitian yang menggunakan variabel dependen metrik
tunggal yang diduga terkait dengan dua atau beberapa variabel
independen metrik. Tujuan dari analisis regresi berganda untuk
memprediksi perubahan variabel dependen akibat dari perubahan
variabel independen. Ketika peneliti ingin memprediksi jumlah atau
ukuran variabel dependent, maka dibutuhkan regresi berganda.
Misalnya, pengeluaran bulanan untuk makan di luar (variabel
dependen) dapat diperkirakan dari informasi mengenai pendapatan
keluarga, ukurannya, dan umur kepala rumah tangga (variabel
independen). Demikian pula, peneliti mungkin mencoba
memprediksi penjualan perusahaan dari informasi mengenai
pengeluaran iklannya, jumlah tenaga penjualan, dan jumlah toko yang
menjual produk-produknya. Multiple Discriminant Analysis dan
Logistic Regression Analisis diskriminan berganda/Multiple
discriminant analysis (MDA) adalah teknik multivanate yang cocok
untuk variabel dependent tunggal yang dikotomis (misalnya,
priawanita) atau multikotomis (misalnya, tinggi-sedang-rendah) dan
karenanya disebut nonmetric. Seperti halnya regresi berganda,
variabel independen diasumsikan metrik. Analisis diskriminan dapat
diterapkan dalam situasi di mana total sampel dapat dibagi dalam
kelompok-kelompok berdasarkan variabel dependen nonmetric yang
bercirikan beberapa kelas yang dikenal (known class). Tujuan utama
dari analisis diskriminan ganda adalah memahami perbedaan kelompok
dan memprediksi kemungkinan bahwa entitas (individu atau objek)
akan menjadi milik kelas atau kelompok tertentu berdasarkan
beberapa variabel independen metrik. Analisis diskriminan bisa
digunakan untuk membedakan inovator dari noninnovator menurut
profil demografis dan psikografis-nya. Model regresi logistik
(logistic regression model), sering disebut sebagai logit analysis,
adalah kombinasi dari regresi berganda dan analisis diskriminan
berganda. Teknik ini mirip dengan analisis regresi berganda dimana
satu atau beberapa variabel independen digunakan untuk memprediksi
variabel dependen tunggal. Yang membedakan antara model regresi
logistik dengan regresi berganda adalah di dalam analisis
diskriminan variabel dependent adalah nonmetric. Skala nonmetric
dari variabel dependen membutuhkan perbedaan metode estimasi dan
asumsi tentang jenis distribusi yang mendasarinya, namun di
sebagian besar aspek lainnya sangat mirip dengan regresi berganda.
Jadi, ketika variabel dependen sudah benar dan teknik estimasi yang
sesuai digunakan, maka digunakanlah regresi berganda. Model regresi
logistik dibedakan dari analisis diskriminan terutama karena ia
menampung semua jenis variabel independen (metrik dan nonmetric)
dan tidak memerlukan asumsi normalitas multivariat. Namun, dalam
banyak kasus, terutama tingkat variabel terikat yang dua atau
lebih, analisis diskriminan adalah teknik yang lebih tepat.
Canonical Correlation Analisis korelasi kanonikal (canonical
correlation canonical) dapat dilihat sebagai pengembangan logis
dari analisis regresi berganda. Ingat bahwa analisis regresi
berganda menggunakan variabel dependen tunggal metrik dan beberapa
variabel independen metrik. Dengan analisis kanonik, tujuannya
adalah mengkorelasikan secara simultan beberapa variabel dependen
metrik dan beberapa variabel independen metrik. Sedangkan regresi
berganda
melibatkan variabel dependen tunggal, dan korelasi kanonikal
melibatkan beberapa variabel dependen. Prinsip yang mendasari
adalah membuat kombinasi linear dari masing-masing kelompok
variabel (baik independen dan dependen) dengan cara memaksimalkan
korelasi antara dua kelompok. Asumsikan sebuah perusahaan melakukan
sebuah studi yang mengumpulkan informasi tentang kualitas
layanannya berdasarkan jawaban dari 50 pertanyaan metrik.
Penelitian ini menggunakan pertanyaan dari penelitian kualitas
layanan dan mencakup informasi pembandingan pada persepsi kualitas
pelayanan "perusahaan kelas dunia" dan juga perusahaan tempat
penelitian sedang dilakukan. Korelasi kanonik dapat digunakan untuk
membandingkan persepsi dari perusahaan kelas dunia pada 50
pertanyaan dengan persepsi perusahaan. Penelitian ini kemudian bisa
menyimpulkan apakah persepsi dari Perusahaan com berkorelasi dengan
orang-orang dari perusahaan kelas dunia. Teknik ini akan memberikan
informasi tentang korelasi keseluruhan persepsi serta korelasi
antara masing-masing 50 pertanyaan. Analisis Multivariat Varians
dan Kovarians Analisis varians multivariat (MANOVA) adalah teknik
statistik yang dapat digunakan untuk mengeksplorasi hubungan antara
beberapa variabel independen kategorikal (biasanya disebut sebagai
perlakuan) dan dua atau beberapa variabel dependen metrik. Dengan
demikian, ia merupakan pengembangan dari analisis univariat varians
(ANOVA). Analisis multivariat kovarians (MANCOVA) bisa digunakan
bersama dengan MANOVA untuk menghilangkan (setelah percobaan) efek
dari setiap variabel independen metrik yang tidak terkontrol
(dikenal sebagai kovariat) pada variabel dependen. Prosedur ini
sama dengan korelasi parsial bivariat, di mana efek dari variabel
ketiga dihilangkan dari korelasi. MANOVA berguna bagi peneliti yang
merancang situasi eksperimental (manipulasi beberapa variabel
nonmetric) untuk menguji hipotesis tentang varians respon kelompok
pada dua atau beberapa variabel dependen metrik. Asumsikan sebuah
perusahaan ingin tahu apakah iklan lucu akan lebih efektif buat
konsumennya dari pada ikan yang tak lucu. Perusahaan tersebut lalu
meminta agen periklanan untuk membuat dua jenis iklan satu lucu dan
satunya tidak lucu dan kemudian menampilkan kedua iklan tersebut
kepada sekelompok konsumen. Setelah melihat kedua iklan tersebut,
para konsumen diminta untuk menilai perusahaan dan produknya dari
beberapa dimensi, seperti modern vs tradisional atau qualitas
tinggi versus kualitas rendah. MANOVA akan menjadi teknik yang
digunakan untuk menentukan tingkat perbedaan statistik antara
persepsi pelanggan yang melihat iklan lucu versus konsumen yang
melihat iklan yang tidak lucu.
Conjoint Analisis Analisis conjoint (conjoint analysis) adalah
teknik dependence yang membawa kecanggihan baru dalam menilai
obyek, seperti produk, jasa, atau ide baru. Aplikasi yang paling
langsung adalah dalam pengembangan jasa atau produk baru, yang
memungkinkan melakukan evaluasi terhadap produk yang kompleks
dengan tetap menjaga konteks keputusan yang realistis bagi
responden Para peneliti pasar bisa menilai pentingnya atribut serta
tingkat setiap atribut ketika konsumen mengevaluasi hanya beberapa
profil produk, yang merupakan kombinasi dari tingkat produk.
Asumsikan sebuah konsep produk memiliki tiga atribut (harga,
kualitas, dan warna), dengan masing-masing dari ketiga tingkatan
yang ada (misalnya, merah, kuning, dan biru). Daripada harus
menghitung semua kombinasi 27 (3 X 3 X 3), maka subset (9 atau
lebih) bisa dihitung karena daya tariknya kepada konsumen, dan
peneliti mengetahui tidak hanya seberapa penting setiap atribut
tetapi juga pentingnya setiap tingkat (misalnya, daya tarik warna
merah vs kuning vs biru). Selain itu, setelah evaluasi konsumen
selesai, hasil analisis conjoint juga dapat digunakan dalam
simulator desain produk, yang menunjukkan penerimaan konsumen atas
sejumlah formulasi produk dan membantu dalam desain produk yang
optimal. Cluster Analysis Analisis cluster (cluster analysis)
adalah suatu teknik analitis untuk mengembangkan sub kelompok yang
bermakna bagi individu atau objek. Secara khusus, tujuannya adalah
untuk mengklasifikasikan sampel entitas (individu atau objek) ke
dalam sejumlah kecil kelompok yang saling berbeda berdasarkan
kesamaan di antara entitas. Teknik cluster digunakan untuk
mengidentifikasi kelompok. Analisis cluster biasanya melibatkan
setidaknya tiga tahapan. Pertama adalah pengukuran kesamaan bentuk
atau keterkaitan antara entitas untuk menentukan berapa banyak
kelompok yang benar-benar ada dalam sampel. Tahap kedua adalah
proses pengelompokan yang sebenarnya, dimana entitas dipartisi
kedlaam beberapa kelompok (cluster). Tahap terakhir adalah
memprofil orang atau variabel untuk menentukan komposisinya.
Sebagai contoh dari analisis cluster, asumsikan seorang pemilik
restoran ingin mengetahui apakah konsumen menjadikan suatu restoran
sebagai langganan karena beberapa alasan yang berbeda. Data dapat
dikumpulkan berdasarkan persepsi harga, kualitas makanan, dan
sebagainya. Analisis cluster dapat digunakan untuk menentukan
apakah beberapa sub kelompok (cluster) sangat termotivasi oleh
harga yang rendah dibandingkan dengan mereka yang jauh kurang
termotivasi untuk datang ke restoran berdasarkan pertimbangan
harga.
Perceptual Mapping Dalam pemetaan persepsi / perceptual mapping
(juga dikenal dengan multidimensional scalling), tujuannya adalah
untuk mengubah penilaian kesamaan atau pilihan konsumen (misalnya
pilihan toko atau merek) menjadi jarak diwakili dalam ruang
multidimensi. Jika obyek A dan B dinilai oleh responden sangat
mirip dibandingkan dengan semua pasangan obyek lain, maka teknik
pemetaan persepsi akan memposisikan objek A dan B sedemikian rupa
sehingga jarak antara mereka dalam ruang multidimensi lebih kecil
dari jarak antara pasang objek yang lain. Hasil peta persepsi
menunjukkan posisi relatif dari semua obyek, tetapi analisis
tambahan diperlukan untuk menjelaskan atau menilai atribut mana
yang memprediksi posisi setiap objek. Sebagai contoh dari pemetaan
persepsi, mari kita asumsikan seorang pemilik waralaba Burger King
ingin mengetahui apakah pesaing terkuatnya adalah McDonald atau
Wendy. Sampel konsumen diberikan survei dan diminta untuk menilai
pasangan restoran dari yang paling mirip sampai dengan yang kurang
mirip. Hasil penelitian menunjukkan bahwa Burger King yang paling
mirip dengan Wendy, sehingga pemilik tahu bahwa pesaing terkuat
adalah restoran Wendy karena dianggap menjadi yang paling mirip.
Analisis tindak lanjut dapat mengidentifikasi atribut apa yang
mempengaruhi kesamaan dan perbedaan persepsi. Correspondence
Analysis Analisis korespondensi (correspondence analysis) adalah
teknik interdependensi yang dibuat untuk mempermudah pemetaan
persepsi obyek (misalnya, produk, orang) pada seperangkat atribut
nonmetric. Para peneliti terus-menerus dihadapkan dengan keharusan
untuk "mengukur data kualitatif" yang ada dalam variabel nominal.
Analisis korespondensi berbeda dengan teknik interdependensi atas
kemampuannya untuk mengakomodasi data nonmetric dan hubungan
nonlinier. Dalam bentuknya yang paling dasar, analisis
korespondensi mennggunakan tabel kontingensi, yang merupakan
perhitungan silang dari dua variabel kategori. Kemudian mengubah
data nonmetric menjadi tingkat metrik dan melakukan pengurangan
dimensi (mirip dengan analisis faktor) dan pemetaan persepsi.
Analisis korespondensi menunjukkan representasi multivariat
interdependensi untuk data nonmetric yang tidak mungkin dengan
metode lain. Sebagai contoh, piliham merek responden dapat dihitung
pada variabel demografis (misalnya, jenis kelamin, kategori
pendapatan, pekerjaan) dengan menunjukkan berapa banyak orang yang
memilih setiap merek masuk dalam setiap kategori variabel
demografis. Melalui
analisis korespondensi, keterkaitan, atau "korespondensi," merek
dan perbedaan karakteristik dari pilihan merek ditampilkan dalam
peta dua atau tiga dimensi dari kedua merek dan karakteristik
responden. Merek yang dianggap sama berada dekat dengan satu sama
lain. Begitupula, perbedaan karakteristik responden dalam memilih
setiap merek ditentukan oleh kedekatan kategori variabel demografi
dari posisi merek tersebut. Structural Equation Modelling dan
Confirmatory Factor Analysis Structural Equation Modeling (SEM)
merupakan teknik yang memungkinkan hubungan setiap perangkat
variabel dependen. Dalam pengertian yang paling sederhana,
pemodelan persamaan struktur (structural equation modelling)
merupakan teknik perhitungan yang paling efisien dan cocok bagi
serangkaian persamaan regresi berganda. Hal ini ditandai oleh dua
komponen dasar: (1) model struktural dan (2) model pengukuran.
Model struktural adalah model jalan, yang menghubungan variabel
independen dengan variabel dependen. Dalam situasi seperti itu,
teori, pengalaman sebelumnya, atau petunjuk lain memungkinkan
peneliti untuk membedakan mana variabel independen yang memprediksi
setiap variabel dependen. Model-model dalam variabel dependen
berganda analisis varians multivariat korelasi kanonikal tidak
dipakai dalam situasi ini karena mereka hanya membolehkan hubungan
tunggal antara variabel dependen dan variabel independen. Model
pengukuran memungkinkan peneliti menggunakan beberapa variabel
(indikator) untuk variabel independen atau variabel dependent
tunggal. Misalnya, variabel dependen mungkin merupakan konsep yang
diwakili oleh summated scale, seperti harga diri. Dalam analisis
faktor konfirmatori, peneliti bisa menilai kontribusi dari setiap
item skala serta menggabungkan seberapa baik skala pengukuran
konsep (reliability). Sebuah studi oleh konsultan manajemen
mengidentifikasi beberapa faktor yang mempengaruhi kepuasan
pekerja: dorongan pengawas, lingkungan kerja, dan prestasi kerja.
Selain hubungan ini, mereka mencatat hubungan terpisah dimana
dorongan pengawas dan lingkungan kerja menjadi predikotor yang unik
dalam prestasi kerja. Oleh karena itu, mereka memiliki dua hubungan
yang terpisah, tetapi saling terkait. Dorongan pengawas dan
lingkungan kerja tidak hanya mempengaruhi kepuasan pekerja secara
langsung, tetapi memiliki efek tidak langsung melalui hubungannya
dengan prestasi kerja, yang juga merupakan prediktor kepuasan
pekerja. Dalam usaha untuk menilai hubungan ini, para konsultan
juga mengembangkan multi-item skala untuk setiap konstruk
(supervisor dukungan, lingkungan kerja, prestasi kerja, dan
kepuasan pekerja). SEM menyediakan sarana untuk tidak hanya menilai
setiap hubungan secara bersamaan, tetapi juga menggabungkan
multi-item skala dalam
analisis untuk memperhitungkan kesalahan pengukuran yang terkait
dengan masing-masing skala. PEDOMAN INTERPRETASI DAN ANALISIS
MULTIVARIAT Karakter yang beragam dari analisis multivariat
'menghasilkan kemammpuan analitis dan prdiktif yang cukup kuat.
Daya ini menjadi sangat menggoda ketika peneliti tidak yakin dari
desain analisis yang paling tepat dan bukan bergantung pada teknik
multivariat sebagai pengganti untuk pengembangan konseptual
diperlukan. Menghadapi kompleksitas ini, kami mengingatkan peneliti
untuk melanjutkan hanya ketika telah dikembangkan konsep dasar
untuk mendukung teknik yang dipilih. Kita telah membahas beberapa
isu terutama pemakaian analisis multivariat, dan meskipun tidak
ada"jawaban" tunggal, kita menemukan bahwa analisis dan
interpretasi dari masalah multivariat bisa dibantu dengan mengikuti
beberapa pedoman umum. Panduan ini meliputi: Menetapkan
Signifikansi Praktis dan Signifikansi Statistik Daya analisis
multivariat adalah kemampuan magis-nya dalam memilih sejumlah
alternatif dan menemukan signifikansi statistik. Banyak peneliti
menjadi kurang jelas hanya memfokuskan pada signifikansi hasil
tanpa memahami interpretasinya, baik atau buruk. Seorang peneliti
jangan hanya melihat pada signifikansi statistik dari hasil tetapi
juga pada signifikansi praktis-nya. Signifikansi praktis menanyakan
pertanyaan, "apa jadinya?" untuk setiap aplikasi manajerial,
hasilnya harus menawarkan efek yang nyata yang membenarkan
tindakan. Dalam lingkup akademik, penelitian menjadi lebih terfokus
tidak hanya pada hasil yang signifikan secara statistik tetapi juga
pada implikasi substantif dan teoritis-nya, yang seringkali diambil
dari signifikansi praktisnya. Sebagai contoh, analisis regresi
dilakukan untuk memprediksi niat pembelian kembali, yang diukur
dengan probabilitas antara 0 dan 100 bahwa pelanggan akan
berbelanja lagi di perusahaan tersebut. Penelitian dilakukan dan
hasilnya kembali signifikan pada tingkat signifikansi .05.
Eksekutif terburu-buru untuk mengambil hasil tersebut dan
selanjutnya mengubah strategi perusahaan. Namun, apa yang terjadi
tanpa disadari adalah bahwa bahkan meskipun hubungan tersebut
signifikan, kemampuan prediktif sangat rendah bahwa estimasi
probabilitas pembelian kembali bisa bervariasi sebanyak 20 persen
dengan tingkat signifikansi .05. Hubungan "statistik signifikan"
ini bisa memiliki tingkat kesalahan 40 persen. Pelanggan yang
diperkirakan memiliki peluang 50 persen kembali benar-benar bisa
memiliki probabilitas dari 30 persen menjadi 70 persen, menunjukkan
tingkat yang tidak dapat diterima sebagai bahan untuk mengambil
tindakan.
Ketahui Bahwa Ukuran Sampel Mempengaruhi Semua Hasil Pembahasan
mengenai daya statistik yang menunjukkan dampak besar ukuran sampel
berperan dalam mencapai signifikansi statistik, baik ukuran sampel
kecil maupun besar. Untuk sampel yang lebih kecil, kecanggihan dan
kompleksitas dari teknik multivariat dengan mudah dapat
menghasilkan (1) daya uji statistik yang terlalu sedikit untuk
mengidentifikasi hasil yang signifikan atau (2) terlalu mudah
"overfitting" data sehingga hasilnya baik karena menyesuaikan
sampel yang belum mempunyai generalisasi. Dampak serupa juga
terjadi pada ukuran sampel yang besar, dapat membuat tes statistik
terlalu sensitif. Ketika ukuran sampel melebihi 400 responden,
peneliti harus memeriksa semua hasil yang signifikan untuk
memastikan mereka memiliki signifikansi praktis karena daya
peningkatan statistik dari ukuran sampel. Ukuran sampel juga
mempengaruhi hasil ketika analisis melibatkan kelompok responden,
seperti analisis diskriminan atau MANOVA. Ukuran sampel yang tidak
setara antar kelompok mempengaruhi hasil dan memerlukan
interpretasi atau analisis tambahan. Dengan demikian, seorang
peneliti atau pengguna teknik multivariat harus selalu menilai
hasil mengingat sampel yang digunakan dalam analisis. Ketahui Data
Anda Teknik multivariat, mengidentifikasi hubungan yang kompleks
yang sulit untuk direpresentasikan secara sederhana. Akibatnya,
kecenderungan adalah untuk menerima hasil tanpa pemeriksaan dalam
analisis univariat dan bivariat (misalnya, scatterplots korelasi
dan boxplots perbandingan rata-rata). Namun, jalan pintas seperti
ini dapat menjadi awal bencana. Analisis multivariat memerlukan
pemeriksaan data yang lebih ketat karena pengaruh outlier,
kesalahan asumsi, dan missing data bisa mempengaruhi beberapa
variabel untuk membuat efek yang cukup besar. Melalui cara teknik
diagnostik memungkinkan penemuan hubungan-multivariat dengan cara
yang sangat mirip dengan metode univariat dan bivariat. Peneliti
multivariat harus memanfaatkan langkah-langkah diagnostik untuk
memahami data dan hubungan dasarnya. Dengan pemahaman ini, peneliti
tidak hanya mengetahui gambaran umumnya tapi juga tahu bagaimana
mencari formulasi alternatif dari model asli yang dapat membantu
dalam penyesuaian model, seperti hubungan nonlinear dan interaktif.
Upayakan Model Yang Sesederhana Teknik multivariat dirancang untuk
mengakomodasi beberapa variabel dalam analisis. Namun, ciri ini
tidak harus menggantikan pengembangan model konseptual sebelum
teknik multivariat diterapkan. Meskipun sebaiknya menghindari
penghilangan variabel prediktor
penting, yang diistilahkan specification error, namun peneliti
harus menghindari memasukkan sembarang variabel dan membiarkan
teknik multivariat memilah-milah variabel yang relevan karena dua
alasan mendasar:1. Variabel yang tidak relevan biasanya
meningkatkan kemampuan teknik untuk
menyesuaikan data sampel, tetapi dengan mengorbankan kelebihan
data sampel dan membuat hasilnya kurang digeneralisasikan ke
populasi.2. Meskipun variabel yang tidak relevan biasanya tidak
membiaskan estimasi variabel
yang relevan, namun ia dapat menutupi efek sebenarnya karena
peningkatan multikolinieritas. Multikolinieritas menunjukkan
tingkat dimana suatu efek variabel dapat diprediksi atau dicatat
oleh variabel lain dalam analisis. Ketika multikolinearitas
menigkat, kemampuan untuk menentukan suatu efek variabel menjadi
berkurang. Penambahan variabel yang signifikan atau tidak relevan
hanya dapat menambah tingkat multikolinearitas, yang menyebabkan
interpretasi semua variabel menjadi lebih sulit. Lihatlah Kesalahan
Anda Meskipun dengan daya statistik teknik multivariat, kita sulit
mendapatkan prediksi terbaik dalam analisis pertama. Peneliti
kemudian dihadapkan dengan pertanyaan, "kenapa bisa begitu?"
Jawaban terbaik adalah dengan melihat kesalahan prediksi, apakah
kesalahan tersebut merupakan akibat dari analisis regresi,
kesalahan klasifikasi observasi dalam analisis diskriminan, atau
outlier di dalam analisis cluster. Dalam setiap kasus, peneliti
harus menggunakan kesalahan prediksi bukan sebagai ukuran kegagalan
atau sesuatu untuk dihilangkan, tapi sebagai titik awal untuk
mendiagnosis validitas hasil yang diperoleh dan indikasi hubungan
yang tidak dapat dijelaskan. Validasi Hasil Anda Kemampuan analisis
multivariat untuk mengidentifikasi hubungan yang kompleks juga
berarti bahwa hasilnya hanya dikhususkan pada sampel dan tidak
digeneralisasikan pada populasi. Peneliti harus selalu memastikan
bahwa ada observasi per parameter untuk menghindari "overfitting"
sampel. Namun, ada beberapa metode untuk memvalidasi hasil:1.
Membagi-bagi
sampel
dan
menggunakan
sub-sampel
pertama
untuk
memperkirakan model dan subsample kedua untuk memperkirakan
akurasi prediksi.2.
Kumpulkan sampel yang terpisah untuk memastikan bahwa hasilnya
sesuai Gunakan teknik bootstrapping, yang memvalidasi model
multivariat dengan
untuk sampel yang lain.3.
membuat sejumlah subsample, memperkirakan model setiap
subsampel, dan kemudian menentukan nilai parameter dari setiap
model dengan menghitung rata-rata setiap koefisien
semua model subsampel. Pendekatan ini juga tidak bergantung pada
asumsi statistik untuk menilai apakah parameter berbeda dari nol.
Ketika sebuah teknik multivariat digunakan, peneliti harus berusaha
tidak hanya untuk memperkirakan model yang signifikan tetapi juga
memastikan bahwa itu adalah representasi dari keseluruhan populasi.
PENDEKATAN MULTIVARIAT Sesuai pembahasan tentang teknik multivariat
bagi peneliti dan sejumlah persoalan dalam aplikasinya, maka
menjadi jelas bahwa keberhasilan aplikasi analisis multivariate
melibatkan lebih dari hanya sekedar memilih metode yang tepat.
Persoalan mulai dari definisi masalah sampai pada diagnosis hasil
harus dibenahi. Untuk membantu peneliti atau pengguna metode
multivariat, pendekatan enam tahap analisis multivariat disajikan.
Tujuannya adalah bukan untuk menjadi prosedur yang kaku tapi,
sebaliknya, menjadi pedoman dalam pendekatan pembentukan model.
Pendekatan ini memfokuskan analisis pada rancangan penelitian yang
jelas, yang diawali dari model konseptual yang menjelaskan hubungan
yang dikaji. Setelah ditentukan konsep, selanjutnya isu-isu empiris
dapat dikemukakan, termasuk pemilihan teknik multivariat yang
spesifik dan masalah implementasinya. Setelah mendapatkan hasil
yang signifikan, kita fokus pada interpretasi, dengan memperhatikan
variate. Terakhir, langkahlangkah diagnostik memastikan bahwa model
tersebut berlaku tidak hanya untuk data sampel tetapi itu adalah
juga dijadikan generalisasi. Enam proses ini menjadi kerangka kerja
untuk mengembangkan, menafsirkan, dan memvalidasi setiap analisis
multivariat. Setiap peneliti harus mengembangkan kriteria "sukses"
atau "kegagalan" pada setiap tahapan, tetapi dengan adanya
penjelasan tentang masing-masing tekeknik menjadi pedoman. Tahap 1:
Menentukan Rumusan Masalah, Tujuan dan Teknik Multivariat Yang
Digunakan Titik awal dari setiap analisis multivariat adalah
mendefinisikan masalah penelitian dan tujuan analisis berdasarkan
konseptualnya sebelum menentukan setiap variabel atau tindakan.
Peran pengembangan model konseptual, atau teori, tidak dapat
dilebih-lebihkan. Tidak peduli apakah di dalam penelitian terapan
atau akademik, peneliti harus terlebih dahulu melihat masalah
secara konseptual dengan mendefinisikan konsep dan mengidentifikasi
hubungan dasarnya. TERSTRUKTUR DALAM PEMBENTUKAN MODEL
Sebuah model konseptual tidak perlu kompleks dan rinci,
melainkan berupa representasi sederhana dari hubungan untuk dikaji.
Jika hubungan dependence diusulkan sebagai tujuan penelitian,
peneliti perlu menentukan konsep dependen dan independen. Untuk
aplikasi teknik interdependence, dimensi struktur atau kesamaan
harus ditentukan. Perhatikan bahwa suatu konsep (ide atau topik),
bukan sebuah variabel tertentu, didefinisikan secara dependence dan
independence. Cara ini bertujuan untuk meminimalisisr penghapusan
konsepkonsep yang relevan dalam pengembangan langkah-langkah dan
penentuan design penelitian. Dengan adanya model konseptual dan
tujuan, peneliti tinggal memilih teknik multivariat yang sesuai
berdasarkan karakteristik pengukuran variabel dependen dan
independen. Variabel untuk setiap konsep sudah harus ditentukan
sebelum melakukan penelitian. Tahap 2: Membuat Rencana Analisis
Dengan adanya model konseptual dan teknik multivariat, perhatian
beralih pada isu-isu implementasi. Masalah-masalah menyangkut
pertimbangan umum seperti ukuran sampel minimum atau yang
diinginkan dan jenis variabel yang dibolehkan atau yang dinginkan
(metrik versus nonmetrik) dan metode estimasi. Tahap 3: Menilai
Asumsi Yang Mendasari Teknik Multivariat Setelah pengumpulan, tugas
pertama adalah bukan menilai model multivariat tetapi menilai
asumsi yang mendasarinya, baik secara statistik maupun secara
konseptual, yang secara substansial mempengaruhi kemampuan
representasi hubungan multivariat. Karena teknik ini berdasarkan
inferens statistik, maka asumsi normalitas normalitas, linieritas,
independence tingkat kesalahan, dan kesetaraan varians harus
terpenuhi. Setiap teknik juga menggunakan serangkaian asumsi
konseptual yang berkaitan dengan masalah-masalah seperti formulasi
model dan jenis representansi hubungan. Tahap 4: Menilai Model
Multivariat dan Menilai Ketepatan Model Setelah asumsi dipenuhi,
analisis berlanjut pada penilaian model multivariat dan penilaian
ketepatan model. Dalam proses penilaian, peneliti bisa memilih
beberapa opsi untuk memenuhi karakteristik data (misalnya,
penggunaan kovariat di MANOVA) atau memaksimalkan ketepatan data
(misalnya, rotasi faktor atau fungsi diskriminan). Setelah
penilaian model, selanjutnya penilaian ketepatan model guna
memastikan apakah telah mencapai tingkat yang dapat diterima sesuai
kriteria statistik (misalnya, tingkat signifikansi),
mengidentifikasi hubungan yang diusulkan, dan mencapai signifikansi
praktis.
Peneliti juga harus menentukan apakah hasilnya dipengaruhi oleh
satu atau beberapa observasi yang menunjukkan hasilnya tidak stabil
atau tidak bisadigeneralisasikan. Tahap 5: Menginterpretasikan
Variat Setelah memenuhi tingkat ketepatan model, langkah
selanjutnya adalah menginterpretasikan variate yang menunjukkan
sifat dari hubungan multivariat. Interpretasi dari efek variabel
dibuat dengan memeriksa koefisien (bobot) setiap variabel dalam
variate. Interpretasi ini dapat menyebabkan pengulangan spesifikasi
variabel dan/atau formulasi model, dimana model ini dinilai ulang
dan kemudian diinterpretasikan kembali. Tujuannya adalah untuk
mengidentifikasi bukti empiris hubungan multivariat dalam data
sampel yang dapat digeneralisasikan pada seluruh populasi. Tahap 6:
Validasi Model Multivariat Sebelum menerima hasil, peneliti harus
melakukan tahp terakhir yaitu menilai tingkat generalisasi hasil
melalui metode validasi. Upaya untuk memvalidasi model diarahkan
pada penggeneralisasian hasil pada seluruh populasi. Analisis
diagnostik ini memberikan sedikit tambahan dalam interpretasi hasil
tetapi bisa dianggap sebagai "jaminan" bahwa hasil tersebut
merupakan gambaran keseluruhan data yang bisa digeneralisasikan
kedalam populasi. Sebuah Flowchart Keputusan Untuk setiap teknik
multivariat, pendekatan enam tahap dalam model multivariat akan
digambarkan dalam flowchart keputusan menjadi dua bagian. Bagian
pertama (tahap 1 sampai 3) berkaitan dengan masalah persiapan model
(yaitu, tujuan penelitian, pertimbangan desain penelitian, dan uji
asumsi). Bagian kedua dari flowchart keputusan (tahap 4 sampai 6)
berkaitan dengan estimasi model, interpretasi, dan validasi.
Flowchart keputusan ini membantu peneliti dalam menerapkan
pendekatan struktural model teknik multivariat. DATABASE Untuk
menjelaskan dan menggambarkan setiap teknik multivariat secara
lengkap, kita menggunakan data hipotetis. Data ini berasal dari
industri HBAT (HBAT), sebuah pabrik kertas. Setiap data diasumsikan
berdasarkan survei konsumen HBAT melalui situs Web yang dilakukan
oleh lembaga peneliti pemasaran terkemukan. Lembaga penelitian ini
menghubungi para manajer pembelian dan meminta mereka untuk
berpartisipasi. Untuk melakukannya, manajer login ke Website dan
mengisi survei. Data tersebut dilengkapi dengan informasi lain yang
dibuat dan disimpan dalam data HBAT dan dapat diakses melalui
sistemnya. Database Primer
Database primer, yang terdiri dari 100 observasi pada 18
variabel terpisah, didasarkan pada studi segmentasi pasar para
konsumen HBAT. HBAT menjual produk kertas pada dua segmen pasar:
industri kertas koran dan industri majalah. Produk kertas tersebut
dijual secara langsung maupun lewat broker. Kedua jenis informasi
ini dikumpulkan lewat survey. Jenis informasi pertama adalah
persepsi kinerja HBAT pada 13 atribut. Atribut ini, yang dibuat
melalui kelompok fokus, pretest, dan penelitian sebelumnya,
dianggap paling berpengaruh dalam pemilihan pemasok dalam industri
kertas. Respondennya termasuk para manajer pembeli di HBAT, dan
manajer tersebut menilai HBAT pada 13 atribut yang menggunakan
skala 0 10, dengan 10 adalah "Sangat Bagus" dan 0 menjadi "jelek.
Jenis informasi kedua berkaitan untuk hasil pembelian dan hubungan
bisnis (misalnya, kepuasan terhadap HBAT dan apakah perusahaan mau
melakukan afiliasi atau partnership strategis dengan HBAT). Jenis
informasi ketiga berkaitan dengan warehouse data HBAT dan termasuk
informasi jumlah konsumen lamanya hubungan jual beli. Dengan
menganalisis data tersebut, HBAT dapat mengembangkan pemahaman yang
lebih baik mengenai karakteristik pelanggan dan hubungan antara
persepsi mengenai HBAT, dan perlakuan terhadap HBAT (misalnya,
kepuasan dan kemungkinan untuk membeli). Dari pemahaman pelanggan
ini, HBAT akan berada dalam posisi yang baik untuk mengembangkan
rencana pemasaran nya di tahun mendatang. Gambaran ringkas mengenai
variabel database ditampilkan dalam Tabel 3, di mana
variabel-variabelnya diklasifikasikan menjadi dependent dan
independent, dan matrik dan nonmatrik.
VARIABEL KLASIFIKASI WAREHOUSE DATA. Setelah pengambilan sampel
responden untuk dijadikan penelitian pemasaran perusahaan, ada lima
variabel diektraksi dalam warehouse data HBAT untuk menunjukkan
karakteristik dasar perusahaan dan hubungan bisnisnya dengan HBAT.
Kelima variabel tersebut meliputi:
PERSEPSI TERHADAP HBAT. Setiap persepsi responden terhadap HBAT
pada perangkat fungsi bisnis diukur dengan skala grafik, dimana
garis 10 centiemter dibuat antar ujung dengan label buruk dan
sangat baik, seperti yang nampak di bawah ini.
Sebagai bagian dari survey, para responden menyatakan persepsi
mereka dengan menandai pada bagian garis. Tempat menandai dinilai
secara elekronik dan jarak 0 (dalam centimeter) dicatat dalam
database. Hasilnya kemudian dibuatkan skala dari 0 sampai 10, 13
atirbut dari HBAT yang dinilai oleh masing-masing reponden adalah
sebagai berikut:
diantara re
HASIL PEMBELIAN. Lima ukuran khusus diperoleh yang menunjukkan
hasi ldari hubungan pembelian responden dengan HBAT. Ukuran-ukuran
tersebut meliputi: