TEKNIK ANALISIS DATA Type Data : Data Nominal 1. Data Ordinal 2. Data Interval 3. Data Ratio 1. Data Kategorikal 2. Data Numerikal (Diskrit Kontinue)
Analisis Data : 1. Analisis Deskriptif (Tabulasi, Grafik) Data Kategorial : Bar chart, Pie Chart, Pareto. Data Numerik : Grafik line, Scater diagram, order ray, Steam and Leaf, tabel kontingensi 2. Analisis Inferen (Uji normalitas dan linieritas, Uji validitas dan reliabilitas, Uji perbedaan, Uji hubungan, lainnya) 3. Kombinasi Dari Keduanya
DATA Analisis Sec. Non Statistik Analisis Sec. Statistik
Metode Kuantitatif lainnya
Normal
Distribu si
Tidak Normal
Statistik Parametrik Manual atau Komputerize
Statistik NonParametrik
Materi 1 Tujuan
: Uji Perbedaan : Membandingkan rata-rata dari 2 group yang tidak berhubungan 1
Alat analisis
satu sama lain : Independent Sample T test
Contoh kasus untuk PI Rumusan masalah : Dengan dana pengembangan dan pemasaran produk yang terbatas, perusahaan harus memprioritaskan produk yang secara nyata memang lebih baik dari produk lainnya. Pertanyaan penelitian : 1. Mesin tipe manakah yang rata-rata kinerja/omset penjualannya lebih baik ? 2. Benarkah ada perbedaan kinerja/omset yang nyata dari kedua produk yang ada, sehingga prioritas dana yang terbatas tersebut dapat dialokasikan ? Sample 1 2 3 4 5 6 7 8 9 Mesin Tipe A 250 255 254 215 265 211 242 215 255 Mesin Tipe B 302 312 295 248 267 222 308 350 331
Hipotesa : Ho : Kedua Popolasi memiliki rata-rata yang identik/sama, atau Tidak ada perbedaan rata-rata dari kedua populasi, atau Rata-rata omset mesin tipe A dan mesin tipe B adalah sama
2
Hasil :Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means 95% Confidence Interval of the Difference Lower Upper -84.72 -85.62 -20.39 -19.49
F OMSET Equal variances assumed Equal variances not assumed 2.775
Sig. .115
t -3.464 -3.464
df 16 11.954
Sig. (2-tailed) .003 .005
Mean Difference -52.56 -52.56
Std. Error Difference 15.17 15.17
Kesimpulan : 1. Kedua sampel, baik diasumsikan / memiliki variance yang sama atau tidak, memberikan hasil Ho ditolak (lihat kolom Sig. (2-tailed)). Dengan kata lain, perbedaan kinerja yang terjadi memang nyata dan dana sebaiknya dialokasikan pada meisn tipe B.
3
Materi 2 Tujuan Alat analisis
: Uji Perbedaan : Membandingkan rata-rata dari 2 group yang berpasangan : Paired Sample T test
Contoh kasus untuk PI Rumusan masalah : Perusahaan melihat bahwa selama ini biaya yang diperlukan untuk keperluan merger dengan perusahaan lain cukup besar. Oleh karena itu perusahaan perlu mengetahui dampak merger terhadap kinerja perusahaan. Pertanyaan penelitian : 1. Bagaimana kinerja sebelum dan setelah dilakukannya merger ? 2. Benarkah merger yang telah dilakukan telah mampu memperbaiki kinerja perusahaan ? Sample 1 2 3 4 5 6 7 Sebelum merger 224 231 223 251 264 222 235 Sesudah merger 255 251 254 225 245 268 215
Hipotesa : Ho : Kedua Popolasi memiliki rata-rata yang identik/sama, atau Tidak ada perbedaan rata-rata dari kedua populasi, antara sebelum dan setelah dilakukannya promosi, atau Merger tidak efektif dalam meningkatkan kinerja perusahaan
4
Hasil :Paired Samples Statistics Mean 235.71 244.71 N 7 7 Std. Deviation 16.04 18.46 Std. Error Mean 6.06 6.98
Pair 1
SEBELUM SESUDAH
Paired Samples Test Paired Differences 95% Confidence Interval of the Difference Lower Upper -36.51 18.51
Mean Pair 1 SEBELUM SESUDAH -9.00
Std. Deviation 29.74
Std. Error Mean 11.24
t -.801
df 6
Sig. (2-tailed) .454
Kesimpulan : 1. Karena nilai Sig. (2-tailed) > dari 0,05, maka Ho diterima 2. Artinya, tidak ada perbedaan kinerja dari sebelum dan setelah adanya merger, atau dengan kata lain meskipun terlihat bahwa rata-rata kinerja setelah merger lebih baik, namun hal tersebut tidaklah signifikan.
5
Materi 3 Tujuan Alat analisis
: Uji Perbedaan > 2 sample ( tipe 1) : Membandingkan rata-rata dari lebih 2 sample : Anova
Contoh kasus untuk PI Rumusan masalah : Saat ini perusahaan telah dapat melayani tiga pasar. Perusahaan melihat sepertinya promosi yang dilakukan telah memberi dampak yang berbeda-beda pada ketiga pasar tersebut. Pertanyaan penelitian : 1. Bagaimana kinerja pemasaran dari ketiga pasar tersebut ? 2. Benarkah kegiatan promosi yang dilakukan telah memberi dampak yang berlainan untuk masing-masing pasar ? 3. Bagaimana perusahaan menyikapi hal tersebut ?
Hipotesa : Ho : Ketiga Popolasi memiliki rata-rata yang identik/sama, atau Tidak ada perbedaan rata-rata dari ketiga populasi, atau Dampak yang ditimbulkan oleh aktivitas promosi terhadap omset di ketiga pasar adalah sama Hasil :
6
OnewayDescriptives SALES 95% Confidence Interval for Mean Lower Upper Bound Bound 24.102 26.991 28.242 34.112 38.592 44.388 29.218 34.119
bandung surabaya semarang Total
N 15 13 10 38
Mean 25.547 31.177 41.490 31.668
Std. Deviation 2.608 4.856 4.051 7.454
Std. Error .673 1.347 1.281 1.209
Minimum 22.0 22.0 33.7 22.0
Maximum 31.0 37.0 45.7 45.7
ANOVA SALES Sum of Squares 1529.913 525.969 2055.882 df 2 35 37 Mean Square 764.956 15.028 F 50.903 Sig. .000
Between Groups Within Groups Total
Homogeneous SubsetsSALES Subset for alpha = .05 1 2 3 25.547 31.177 41.490 1.000 1.000 1.000
daerah penjualan kaos a,b Tukey HSD bandung surabaya semarang Sig.
N 15 13 10
Means for groups in homogeneous subsets are displayed. a. Uses Harmonic Mean Sample Size = 12.316. b. The group sizes are unequal. The harmonic mean of the group sizes is used. Type I error levels are not guaranteed.
Kesimpulan : 1. Dari tabel Anova, Karena nilai Sig. (2-tailed) < dari 0,05, maka Ho ditolak, artinya ada perbedaan kinerja dari ketiga sampel yang diamati (tapi yang mana ?) Dengan kata lain, memang benar bahwa promosi yang dilakukan memang telah memberi dampak yang berlainan untuk masing-masing pasar. 2. Dari tabel Homogeneous Subsets, semuanya merata berbeda secara nyata
7
Materi 4 Tujuan Alat analisis Contoh kasus
: Uji Perbedaan > 2 sample ( tipe 2) : Membandingkan rata-rata dari lebih 2 sample : General Linier Model - Univariate :
Hipotesa : Ho : Tidak ada perbedaan omset antar kaos polos dan motif di ketiga pasar tersebut (satu faktor), dan Tidak ada interaksi antara daerah penjualan dan jenis kaos (dua faktor) Hasil :
Univariate Analysis of Variance
8
Tests of Between-Subjects Effects Dependent Variable: SALES Source Corrected Model Intercept DAERAH KAOS DAERAH * KAOS Error Total Corrected Total Type III Sum of Squares 1681.984a 39379.180 1511.569 7.044 146.985 373.898 40165.660 2055.882 df 5 1 2 1 2 32 38 37 Mean Square 336.397 39379.180 755.784 7.044 73.492 11.684 F 28.790 3370.260 64.684 .603 6.290 Sig. .000 .000 .000 .443 .005
a. R Squared = .818 (Adjusted R Squared = .790)
Kesimpulan : 1. Ternyata jenis kaos (polos dan motif), tidak menjadikan omset di ketiga kota menjadi berbeda (nilai sig.nya 0,443 > 0,0 (nilai sig.nya 0,443 > 0,05) 2. Karena nilai sig. Untuk daerah*kaos adalah 0,005 < 0,05, berarti ada interaksi antara daerah pasar dan jenis kaos, artinya jenis kaos memang mempengarui omset di daerah pasar tertentu. Materi 5 Tujuan Alat analisis : Uji Asosisi (hubungan) 2 variabel Nominal : Menganalisis hubungan, arah, dan intensitasnya dari 2 variabel nominal : Crosstab
Contoh kasus untuk PI Rumusan masalah : Perusahaan merasa bahwa desain kaos (motif atau polos) sangat berhubungan status dan pekerjaan konsumen. Pertanyaan penelitian : 1. Adakah hubungan antara jenis pekerjaan dan jenis kaos yang dipilih? 2. Adakah pengaruh yang nyata dari faktor bidang pekerjaan konsumen terhadap jenis kaos yang dipilih ?
9
Hipotesa : Ho : Tidak ada hubungan antara vaiael baris dan variabel kolom, atau Tidak ada pengaruh bidang/jenis kerja terhadap perilaku membeli kaos Hasil :
CrosstabsChi-Square Tests Value 7.213a 8.097 4.265 30 df 2 2 1 Asymp. Sig. (2-sided) .027 .017 .039
Pearson Chi-Square Likelihood Ratio Linear-by-Linear Association N of Valid Cases
a. 3 cells (50.0%) have expected count less than 5. The minimum expected count is 2.93.
10
Symmetric Measures Value .440 30 Approx. Sig. .027
Nominal by Nominal N of Valid Cases
Contingency Coefficient
a. Not assuming the null hypothesis. b. Using the asymptotic standard error assuming the null hypothesis.
Kesimpulan : 1. Dari nilai Asymp. Sig Pearson Chi-square yang sebesar 0,027 < 0,05, maka dapat disimpulkan memang ada hubungan yang nyata antara bidang kerja dengan perilaku memilih motif kaos 2. Nilai contingency coefficien yang sebesar 0,440 dan signifikan, menunjukkan bahwa ada pengaruh yang cukup kuat dari bidang kerja terhadap perilaku konsumen dalam membeli kaos. Materi 6 Tujuan Alat analisis : Uji Asosisi 2 variabel Ordinal : Menganalisis hubungan, arah, dan intensitasnya : Corelate - Bivariate
Contoh kasus untuk PI Rumusan masalah : Keberhasilan suatu produk tidak hanya ditentukan oleh atribut produk ybs., namun juga dapat dipengaruhi oleh sikap, persepsi hingga loyalitas konsumen. Oleh karena itu pemahaman terhadap variabel-variabel tersebut menjadi sangat perlu. Pertanyaan penelitian : 1. Adakah hubungan antara sikap, persepsi dan loyalitas konsumen dengan frekuensi pembelian mereka? 2. Adakah pengaruh yang nyata dari sikap, persepsi, dan loyalitas terhadap frekuensi pembelian konsumen? Hipotesa : Ho : Tidak ada hubungan antara sikap, persepsi dan loyalitas dengan frekuensi pembelian konsumen, atau Tidak ada pengaruh yang nyata dari sikap, persepsi, dan loyalitas terhadap frekuensi pembelian konsumen Hasil :
Nonparametric Correlations
11
Correlations sikap Loyalitas konsumen Konsumen Correlation Coefficient 1.000 .536** Sig. (2-tailed) . .002 N 30 30 Correlation Coefficient .536** 1.000 Sig. (2-tailed) .002 . N 30 30 Correlation Coefficient -.227 -.285 Sig. (2-tailed) .188 .116 N 30 30 Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) N 1.000 . 30 .564** .001 30 -.250 .182 30 .564** .001 30 1.000 . 30 -.292 .117 30 frekuensi pembelian kaos -.227 .188 30 -.285 .116 30 1.000 . 30 -.250 .182 30 -.292 .117 30 1.000 . 30
Kendall's tau_b
sikap konsumen
Loyalitas Konsumen
frekuensi pembelian kaos
Spearman's rho
sikap konsumen
Loyalitas Konsumen
frekuensi pembelian kaos
**. Correlation is significant at the .01 level (2-tailed).
Materi 7 Tujuan Alat analisis
: Uji Asosisi 2 variabel Interval dan Rasio, analisis regresi : Menganalisis hubungan, arah, intensitasnya, model regresi : Corelate Bivariate, regresi
Contoh kasus untuk PI Rumusan masalah : Keberhasilan penjualan suatu produk ditentukan oleh promosi penjualan yang dikeluarkan oleh perusahaan tersebut. Oleh karena itu pemahaman terhadap variabeltersebut menjadi sangat perlu. Pertanyaan penelitian : 1. Adakah hubungan antara promosi dengan jumlah penjualan ? 2. Adakah pengaruh yang nyata promosi terhadap jumlah penjualan? Hipotesa : Ho : Tidak ada hubungan antara promosi terhadap jumlah penjualan Tidak ada pengaruh yang nyata dari promosi terhadap Jumlah penjualan
12
Hasil :
RegressionDescriptive Statistics SALES PROMOSI Mean 246.40 34.67 Std. Deviation 41.113 9.678 N 15 15
Correlations Pearson Correlation Sig. (1-tailed) N SALES PROMOSI SALES PROMOSI SALES PROMOSI SALES 1.000 .916 . .000 15 15 PROMOSI .916 1.000 .000 . 15 15
Dapat dianalisis : Mean, St. deviasi , korelasi dan significansinya.b Variables Entered/Removed
Model 1
Variables Entered a PROMOSI
Variables Removed .
Method Enter
a. All requested variables entered. b. Dependent Variable: SALESb Model Summary
Model 1
R R Square .916 a .839
Adjusted R Square .826
Std. Error of the Estimate 17.127
a. Predictors: (Constant), PROMOSI b. Dependent Variable: SALES
Dapat dianalisis : R square, st.error estimate dibandingkan dengan st. dev.
13
b ANOVA
Model 1
Sum of Squares Regression 19850.334 Residual 3813.266 Total 23663.600
df 1 13 14
Mean Square 19850.334 293.328
F 67.673
Sig. .000a
a. Predictors: (Constant), PROMOSI b. Dependent Variable: SALES
Uji Anova, untuk memprediksi kevalidan model regresi dalam melakukan prediksi dari var. Bebas ke var. Terikat.a Coefficients
Model 1
(Constant) PROMOSI
Unstandardized Coefficients B Std. Error 111.523 16.982 3.891 .473
Standardized Coefficients Beta .916
t 6.567 8.226
Sig. .000 .000
a. Dependent Variable: SALES
Dari table ini dihasilkan persamaan regresi dan uji t untuk signifikansi tiap variable regresi.a Casewise Diagnostics
Case Number 8 15
DAERAH YOGYA PEKALO NG
Std. Residual -1.124 2.748
SALES 209 322
Predicted Value 228.24 274.93
Residual -19.24 47.07
a. Dependent Variable: SALES
Charts
14
Normal P-P Plot of Regression Standardized Residual Dependent Variable: SALES1.00 BOGOR .75 MADIUN BANDUNG BEKASI SOLO SURABAYA KUDUS
Expected Cum Prob
.50
JAKARTA TUBAN MALANG SEMARANG .25 TANGERAN PURWOKER YOGYA 0.00 0.00 .25 .50 .75 1.00
Observed Cum Prob
Untuk analisis NORMALITAS, - Jk normal, maka sebaran data akan terletak di sekitar garis.Regression Studentized Deleted (Press) Residual
Scatterplot Dependent Variable: SALES5 4 3 2 1 BANDUNG 0 -1 -2 -1.5 -1.0 -.5 0.0 .5 1.0 1.5 2.0 2.5 BOGOR MADIUN BEKASI SOLO KUDUS TUBAN SEMARANGMALANG PEKALONG
SURABAYA JAKARTA TANGERAN PURWOKER YOGYA
Regression Standardized Predicted Value
Untuk analisis kelayakan Model Regresi (model Fit) - Jika model layak, maka data akan berada di sekitar angka nol pada sumbu Y, dan tidak membentuk suatu pola tertentu.
15
ScatterplotRegression Standardized Predicted Value
Dependent Variable: SALES2.5 2.0 1.5 1.0 KUDUS .5 MADIUN PURWOKER BOGOR YOGYA SOLO -.5 TANGERAN JAKARTA SURABAYA -1.0 BANDUNG -1.5 200 220 240 260 280 300 320 340 0.0 BEKASI SEMARANG TUBAN PEKALONG MALANG
SALES
Untuk analisis hubungan antara varibel terikat dengan prediksinya. - Jika model memenuhi syarat, maka terlihat sebaran data menyebar pada suatu garis lurus. Materi 8 : Analisis regresi berganda Tujuan : Menganalisis model regresi Alat analisis : regresi Contoh kasus untuk PI Rumusan masalah : Keberhasilan penjualan suatu produk ditentukan oleh promosi penjualan yang dikeluarkan oleh perusahaan tersebut dan jumlah outlet. Oleh karena itu pemahaman terhadap variabel-tersebut menjadi sangat perlu. Pertanyaan penelitian : 1. Adakah hubungan antara promosi dan jumlah outlet dengan jumlah penjualan? 2. Adakah pengaruh yang nyata promosi dan jumlah outlet terhadap jumlah penjualan? Hipotesa : Ho: Tidak ada hubungan antara promosi, jumlah outletterhadap jumlah penjualan Tidak ada pengaruh yang nyata dari promosi dan jumlah outlet terhadap Jumlah penjualan Hasil :
Regression
16
Descriptive Statistics SALES PROMOSI OUTLET Mean 246.40 34.67 187.93 Std. Deviation 41.113 9.678 38.087 N 15 15 15
Correlations Pearson Correlation SALES PROMOSI OUTLET SALES PROMOSI OUTLET SALES PROMOSI OUTLET SALES 1.000 .916 .901 . .000 .000 15 15 15 PROMOSI .916 1.000 .735 .000 . .001 15 15 15 OUTLET .901 .735 1.000 .000 .001 . 15 15 15
Sig. (1-tailed)
N
-
Rata-rata, standard deviasi masing-masing variable Besar hubungan dari tiap pasang variable Nilai signifikasni koefisien korelasib Variables Entered/Removed
Model 1
Variables Entered OUTLET,a PROMOSI
Variables Removed .
Method Enter
a. All requested variables entered. b. Dependent Variable: SALESb Model Summary
Model 1
R R Square .976a .952
Adjusted R Square .944
Std. Error of the Estimate 9.757
a. Predictors: (Constant), OUTLET, PROMOSI b. Dependent Variable: SALES
17
b ANOVA
Model 1
Sum of Squares Regression 22521.299 Residual 1142.301 Total 23663.600
df 2 12 14
Mean Square 11260.649 95.192
F 118.294
Sig. .000a
a. Predictors: (Constant), OUTLET, PROMOSI b. Dependent Variable: SALESa Coefficients
Model 1
(Constant) PROMOSI OUTLET
Unstandardized Coefficients B Std. Error 64.639 13.112 2.342 .398 .535 .101
Standardized Coefficients Beta .551 .496
t 4.930 5.892 5.297
Sig. .000 .000 .000
a. Dependent Variable: SALES
-
Analisis : Uji F , untuk signifikansi model regresi. Menentukan persamaan regresi
ChartsHubungan sales dengan promosiPartial Regression Plot Dependent Variable: SALES50 40 30 20 10 0 -10 BOGOR BEKASI SURABAYA YOGYA MADIUN BANDUNG SOLO JAKARTA TANGERAN PURWOKER PEKALONG MALANG KUDUS TUBAN SEMARANG
SALES
-20 -30 -20
-10
0
10
20
PROMOSI
Sebaran data membentuk arah ke kanan atas, slope positif.
18
Hubungan Sales dengan OutletPartial Regression Plot Dependent Variable: SALES50 40 30 20 10 KUDUS 0 PEKALONG
BOGOR MADIUN BANDUNG BEKASI SOLO SURABAYA JAKARTA TUBAN MALANG SEMARANG TANGERAN PURWOKER YOGYA -20 0 20 40 60 80
SALES
-10 -20 -40
OUTLET
Materi 9 : Analisis regresi berganda , multikoleniaritas Tujuan : Menganalisis model regresi Alat analisis : regresi Contoh kasus untuk PI Rumusan masalah : Keberhasilan penjualan suatu produk ditentukan oleh promosi penjualan yang dikeluarkan oleh perusahaan tersebut dan jumlah outlet. Oleh karena itu pemahaman terhadap variabel-tersebut menjadi sangat perlu. Pertanyaan penelitian : 1. Adakah hubungan antara promosi dan jumlah outlet dengan jumlah penjualan? 2. Adakah pengaruh yang nyata promosi dan jumlah outlet terhadap jumlah penjualan? Hipotesa : Ho: Tidak ada hubungan antara promosi, jumlah outletterhadap jumlah penjualan Tidak ada pengaruh yang nyata dari promosi dan jumlah outlet terhadap Jumlah penjualan Hasil :
Regression
19
Descriptive Statistics SALES PROMOSI OUTLET LAJU_PEN PESAING INCOME Mean 246.40 34.67 187.93 1.9833 16.20 3.3280 Std. Deviation 41.113 9.678 38.087 .50700 3.877 .92213 N 15 15 15 15 15 15 Correlations Pearson Correlation SALES PROMOSI OUTLET LAJU_PEN PESAING INCOME Sig. (1-tailed) SALES PROMOSI OUTLET LAJU_PEN PESAING INCOME N SALES PROMOSI OUTLET LAJU_PEN PESAING INCOME SALES 1.000 .916 .901 -.143 .744 -.287 . .000 .000 .305 .001 .150 15 15 15 15 15 15 PROMOSI .916 1.000 .735 -.062 .796 -.339 .000 . .001 .413 .000 .108 15 15 15 15 15 15 OUTLET .901 .735 1.000 -.199 .574 -.252 .000 .001 . .238 .013 .183 15 15 15 15 15 15 LAJU_PEN -.143 -.062 -.199 1.000 -.495 -.111 .305 .413 .238 . .030 .347 15 15 15 15 15 15 PESAING .744 .796 .574 -.495 1.000 -.073 .001 .000 .013 .030 . .397 15 15 15 15 15 15 INCOME -.287 -.339 -.252 -.111 -.073 1.000 .150 .108 .183 .347 .397 . 15 15 15 15 15 15
20
b Variables Entered/Removed
Model 1
Variables Entered INCOME, PESAING, LAJU_PE N, OUTLET,a PROMOSI
Variables Removed
Method
.
Enter
2
.
INCOME
3
.
LAJU_PEN
4
.
PESAING
Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100).
a. All requested variables entered. b. Dependent Variable: SALESe Model Summary
Model 1 2 3 4
R R Square .976 a .954 b .976 .953 .976 c .953 .976 d .952
Adjusted R Square .928 .935 .940 .944
Std. Error of the Estimate 11.051 10.497 10.067 9.757
a. Predictors: (Constant), INCOME, PESAING, LAJU_PEN, OUTLET, PROMOSI b. Predictors: (Constant), PESAING, LAJU_PEN, OUTLET, PROMOSI c. Predictors: (Constant), PESAING, OUTLET, PROMOSI d. Predictors: (Constant), OUTLET, PROMOSI e. Dependent Variable: SALES
21
ANOVAe Model 1 Sum of Squares 22564.432 1099.168 23663.600 22561.748 1101.852 23663.600 22548.747 1114.853 23663.600 22521.299 1142.301 23663.600 df 5 9 14 4 10 14 3 11 14 2 12 14 Mean Square 4512.886 122.130 5640.437 110.185 7516.249 101.350 11260.649 95.192 F 36.952 Sig. .000 a
2
3
4
Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total
51.191
.000 b
74.161
.000 c
118.294
.000 d
a. Predictors: (Constant), INCOME, PESAING, LAJU_PEN, OUTLET, PROMOSI b. Predictors: (Constant), PESAING, LAJU_PEN, OUTLET, PROMOSI c. Predictors: (Constant), PESAING, OUTLET, PROMOSI d. Predictors: (Constant), OUTLET, PROMOSI e. Dependent Variable: SALESa Coefficients
Model 1
2
3
4
(Constant) PROMOSI OUTLET LAJU_PEN PESAING INCOME (Constant) PROMOSI OUTLET LAJU_PEN PESAING (Constant) PROMOSI OUTLET PESAING (Constant) PROMOSI OUTLET
Unstandardized Coefficients B Std. Error 50.126 36.000 2.017 .924 .550 .123 2.760 9.485 .970 2.099 .548 3.698 51.275 33.393 1.960 .797 .551 .117 3.035 8.835 1.084 1.855 61.435 14.864 2.148 .555 .537 .104 .597 1.147 64.639 13.112 2.342 .398 .535 .101
Standardized Coefficients Beta .475 .509 .034 .091 .012 .461 .511 .037 .102 .506 .497 .056 .551 .496
t 1.392 2.183 4.455 .291 .462 .148 1.536 2.459 4.717 .343 .584 4.133 3.870 5.146 .520 4.930 5.892 5.297
Sig. .197 .057 .002 .778 .655 .885 .156 .034 .001 .738 .572 .002 .003 .000 .613 .000 .000 .000
Collinearity Statistics Tolerance VIF .109 .395 .377 .132 .750 .132 .397 .392 .152 .251 .459 .366 .459 .459 9.162 2.534 2.651 7.592 1.333 7.556 2.518 2.549 6.573 3.985 2.179 2.729 2.177 2.177
a. Dependent Variable: SALES
22
Analisis : R2 = 1 Tolerance, variabilitas variable 1 dipengaruhi / dapat dijelaskan oleh predictor (variable bebas) yang lain. VIF = 1/tolerance. Jika VIF > 5, terdapat multikolinearitas a Collinearity Diagnostics
Model 1
2
3
4
Dimension 1 2 3 4 5 6 1 2 3 4 5 1 2 3 4 1 2 3
Eigenvalue 5.774 .120 7.567E-02 1.701E-02 1.108E-02 2.452E-03 4.857 .101 2.342E-02 1.648E-02 2.552E-03 3.937 3.723E-02 1.751E-02 8.330E-03 2.954 3.462E-02 1.124E-02
Condition Index 1.000 6.944 8.735 18.423 22.827 48.526 1.000 6.942 14.400 17.169 43.623 1.000 10.284 14.994 21.740 1.000 9.237 16.210
(Constant) .00 .00 .00 .01 .28 .71 .00 .00 .12 .00 .88 .00 .48 .08 .44 .00 .58 .42
PROMOSI .00 .01 .00 .05 .13 .81 .00 .01 .17 .01 .81 .00 .14 .03 .82 .00 .41 .59
Variance Proportions OUTLET LAJU_PEN .00 .00 .01 .04 .00 .15 .55 .05 .07 .01 .37 .75 .00 .00 .00 .14 .00 .09 .62 .02 .37 .75 .00 .00 .46 .53 .00 .00 1.00
PESAING .00 .01 .01 .06 .08 .84 .00 .02 .02 .13 .84 .00 .04 .47 .48
INCOME .00 .13 .26 .02 .54 .05
a. Dependent Variable: SALES
-
Analisis : Eigenvalue mendekati 0, terjadi multikolinearitas. Condition Index melebihi 15, terjadi multikolinearitas, Jika melebihi 30, sangat serius problem multikolinearitas. d Excluded Variables
Model 2 3 4
INCOME INCOME LAJU_PEN INCOME LAJU_PEN PESAING
Beta In .012a .017b .037b .027c -.011c .056c
t .148 .219 .343 .393 -.165 .520
Sig. .885 .831 .738 .702 .872 .613
Partial Correlation .049 .069 .108 .118 -.050 .155
Collinearity Statistics Minimum Tolerance VIF Tolerance .750 1.333 .109 .780 1.282 .211 .392 2.549 .132 .885 1.130 .434 .945 1.058 .436 .366 2.729 .251
a. Predictors in the Model: (Constant), PESAING, LAJU_PEN, OUTLET, PROMOSI b. Predictors in the Model: (Constant), PESAING, OUTLET, PROMOSI c. Predictors in the Model: (Constant), OUTLET, PROMOSI d. Dependent Variable: SALES
23
Materi 7 Tujuan Alat analisis
: Analisis Diskriminan : Mengelompokkan objek kedalam 2 atau lebih kelompok berdasar kriteria Sejumlah variabel bebas. : Discriminant Analysis
Rumusan masalah : Sebuah Supermarket mendapai bahwa sepertinya konsumen yang datang dapat dikelompokkan dalam 2 kelompok, yakni pengunjung yang jering membeli dan yang jarang membeli. Dengan kenyataan tersebut, pihak manajemen ingin mengetahui berbagai variabel yang diduga turut memberi kontribusi pada perbedaan perilaku pengunjung dalam membeli tersebut. Pertanyaan penelitian : 1. Apakah perilaku pembeli (yang sering dan jarang beli) benar-benar berbeda ? 2. Jika ada, variabel bebas manakah yang membedakan perilaku beli konsumen tersebut ? 3. Manakah vaiabel bebas penentu perilaku yang paling penting ?
Hasilnya :
Discriminant
24
Tests of Equality of Group Means Wilks' Lambda .996 .989 .922 .860 .989 .991 .997 .982 .860 .998 F .386 1.165 8.693 16.828 1.094 .957 .315 1.937 16.752 .204 df1 1 1 1 1 1 1 1 1 1 1 df2 103 103 103 103 103 103 103 103 103 103 Sig. .536 .283 .004 .000 .298 .330 .576 .167 .000 .652
LAYOUT LENGKAP HARGA MUSIK AC LAMPU PELKAR PELKASIR PROMOSI IMAGE
Stepwise Statisticsa,b,c,d Variables Entered/Removed
Min. D Squared Between Groups sering and jarang sering and jarang sering and jarang sering and jarang Exact F Statistic 16.828 df1 1 df2 Sig.
Step 1
Entered MUSIK
Statistic .643
103.000 8.198E-05
2 PROMOSI 3 IMAGE 4 HARGA 1.591 1.257 1.002
12.988
2
102.000 9.443E-06
10.758
3
101.000 3.393E-06
10.117
4
100.000 6.439E-07
At each step, the variable that maximizes the Mahalanobis distance between the two closest groups is entered. a. Maximum number of steps is 20. b. Maximum significance of F to enter is .05. c. Minimum significance of F to remove is .10. d. F level, tolerance, or VIN insufficient for further computation.
25
Wilks' Lambda Exact F Lambda .860 .797 .758 .712 df1 1 2 3 4 df2 1 1 1 1 df3 103 103 103 103 Statistic 16.828 12.988 10.758 10.117 df1 1 2 3 4 df2 103.000 102.000 101.000 100.000 Sig. 8.198E-05 9.443E-06 3.393E-06 6.439E-07
Step 1 2 3 4
Number of Variables 1 2 3 4
Summary of Canonical Discriminant FunctionsEigenvalues Function 1 Eigenvalue % of Variance .405 a 100.0 Cumulative % 100.0 Canonical Correlation .537
a. First 1 canonical discriminant functions were used in the analysis.
Wilks' Lambda Wilks' Test of Function(s) Lambda 1 .712 Chi-square 34.321 df 4 Sig. .000
Structure Matrix Function 1 -.635 .634 .457 -.298 -.202 -.179 .123 -.117 .083 -.070
MUSIK PROMOSI HARGA a LAMPU a LENGKAP a AC a PELKASIR a LAYOUT a PELKAR IMAGE
Pooled within-groups correlations between discriminating variables and standardized canonical discriminant functions Variables ordered by absolute size of correlation within function. a. This variable not used in the analysis.
Kesimpulan : 1. Dari tabel Wilks lambda mengindikasikan perbedaan yang nyata dari kedua kelompok pengunjung Supermarket pada model diskriminan yang terbentuk
26
2. Dari tabel variable Entered/Removed dapat dijelaskan bahwa ternyata perilaku sering atau jarang membeli konsumen di Supermarket tersebut, dipengaruhi oleh sikap konsumen pada faktor musik, promosi, image, dan harga. 3. Tabel Structure Matrix, menunjukkan kepada manajemen bahwa tanpa memperhatikan tanda di depannya dan yang tidak bertanda a, maka tampaknya music menjadi variabel yang paling membedakan perilaku sering dan tidaknya pengunjung melakukan pembelian.
27
Materi 8 Tujuan Alat analisis Contoh kasus
: Analisis Faktor : Mereduksi berbagai variabel menjadi beberapa kelopok faktor : Factor Analysis :
Hasil :
Factor AnalysisKMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig. .552 87.437 28 .000
28
Anti-image Matrices Anti-image Covariance LAYOUT LENGKAP HARGA PELKAR PELKASIR PROMOSI IMAGE BERSIH LAYOUT LENGKAP HARGA PELKAR PELKASIR PROMOSI IMAGE BERSIH LAYOUT .929 -8.15E-02 -.105 2.857E-03 .141 3.102E-02 7.404E-02 -9.21E-02 .528 a -.103 -.121 3.409E-03 .158 3.513E-02 8.631E-02 -.104 LENGKAP -8.15E-02 .679 9.569E-02 -.297 9.872E-02 .153 .110 -.203 -.103 .513a .129 -.415 .130 .203 .150 -.267 HARGA -.105 9.569E-02 .809 -.133 -.108 -7.32E-02 -.206 4.172E-02 -.121 .129 .624a -.170 -.130 -8.88E-02 -.257 5.034E-02 PELKAR 2.857E-03 -.297 -.133 .757 -.155 -4.68E-02 -.122 2.942E-02 3.409E-03 -.415 -.170 .474a -.193 -5.87E-02 -.158 3.672E-02 PELKASIR .141 9.872E-02 -.108 -.155 .855 -4.316E-02 4.929E-02 -.214 .158 .130 -.130 -.193 .476 a -5.095E-02 5.988E-02 -.252 PROMOSI 3.102E-02 .153 -7.32E-02 -4.68E-02 -4.32E-02 .840 -.169 3.153E-02 3.513E-02 .203 -8.88E-02 -5.87E-02 -5.09E-02 .708a -.207 3.735E-02 IMAGE 7.404E-02 .110 -.206 -.122 4.929E-02 -.169 .792 -7.63E-02 8.631E-02 .150 -.257 -.158 5.988E-02 -.207 .614a -9.30E-02 BERSIH -9.21E-02 -.203 4.172E-02 2.942E-02 -.214 3.153E-02 -7.63E-02 .849 -.104 -.267 5.034E-02 3.672E-02 -.252 3.735E-02 -9.30E-02 .505a
Anti-image Correlation
a. Measures of Sampling Adequacy(MSA)
Factor AnalysisCommunalities LAYOUT LENGKAP HARGA PROMOSI IMAGE BERSIH Initial 1.000 1.000 1.000 1.000 1.000 1.000 Extraction .308 .577 .549 .465 .599 .548
Extraction Method: Principal Component Analysis. Total Variance Explained Initial Eigenvalues % of Variance Cumulative % 30.488 30.488 20.286 50.774 15.732 66.506 12.637 79.143 10.642 89.785 10.215 100.000 Extraction Sums of Squared Loadings Total % of Variance Cumulative % 1.829 30.488 30.488 1.217 20.286 50.774
Component 1 2 3 4 5 6
Total 1.829 1.217 .944 .758 .639 .613
Extraction Method: Principal Component Analysis.
29
Scree Plot2.0 1.8 1.6 1.4 1.2 1.0 .8 .6 .4 1 2 3 4 5 6
Eigenvalue
Component Numbera Component Matrix
LAYOUT LENGKAP HARGA PROMOSI IMAGE BERSIH
Component 1 2 -.301 .466 -.654 .386 .563 .482 .673 .111 .648 .423 -.348 .654
Extraction Method: Principal Component Analysis. a. 2 components extracted.
a Rotated Component Matrix
Component 1 2 LAYOUT 7.304E-03 .555 LENGKAP -.331 .683 HARGA .735 9.035E-02 PROMOSI .622 -.280 IMAGE .774 -6.16E-03 BERSIH 7.148E-02 .737 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 3 iterations.
30
Component Transformation Matrix Component 1 2 1 .833 .553 2 -.553 .833
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
Component Plot in Rotated Space1.0 lengkap .5 bersih layout
0.0
harga image promosi
Component 2
-.5
-1.0 -1.0 -.5 0.0 .5 1.0
Component 1
31
Materi 9 Tujuan Alat analisis
: Statistika Non Parametrik : Menganalisis data yang mempunyai jumlah kecil, mempunyai sebaran yang tidak normal. : Statistika Non Parametrik
32
Materi 9 Tujuan
: Analisis Cluster : Mereduksi berbagai variabel menjadi beberapa kelopok Cluster Melakukan Segmentasi Populasi atas dasar atribut-atribut tertentu Alat analisis : Hierarchical dan K-means Cluster Analysis Contoh kasus : K-means Cluster
Quick ClusterInitial Cluster Centers Cluster 2 3 3.20 4.60 3.00 3.10 1.00 4.90 4.30 4.30 4.50 3.00 2.00 2.10 3.00 1.60 4.50 1.40 4.20 3.50 2.00 2.70
LAYOUT LENGKAP HARGA MUSIK AC LAMPU PELKAR PELKASIR PROMOSI IMAGE
1 4.50 4.40 2.00 4.90 4.10 4.90 4.40 1.50 1.00 1.00
4 3.20 2.90 4.30 2.00 2.00 2.10 4.70 4.40 3.30 4.70
33
a Iteration History
Iteration 1 2 3 4 5 6 7 8
1 2.729 .548 .355 .137 .197 .113 .102 .000
Change in Cluster Centers 2 3 2.210 2.876 .404 .401 .381 .150 .235 .149 .268 .118 .365 .194 .102 .122 .000 .000
4 2.074 .253 .309 .212 .159 .104 .000 .000
a. Convergence achieved due to no or small distance change. The maximum distance by which any center has changed is .000. The current iteration is 8. The minimum distance between initial centers is 5.595. Final Cluster Centers Cluster 2 3 3.22 3.84 3.35 3.68 2.06 2.51 2.67 3.72 3.20 2.24 1.85 2.19 3.29 3.12 3.73 2.53 3.66 2.79 3.21 2.47
LAYOUT LENGKAP HARGA MUSIK AC LAMPU PELKAR PELKASIR PROMOSI IMAGE
1 3.53 3.55 2.46 4.23 3.83 3.67 3.55 3.31 1.94 2.64
4 3.66 3.37 4.35 2.75 2.85 2.71 4.05 3.74 3.43 3.78
34
ANOVA Cluster Mean Square LAYOUT 1.696 LENGKAP .667 HARGA 29.698 MUSIK 14.235 AC 11.479 LAMPU 14.655 PELKAR 4.824 PELKASIR 9.042 PROMOSI 14.080 IMAGE 10.281 Error Mean Square .622 .414 .466 .584 .778 .574 .602 .875 .694 .958
df 3 3 3 3 3 3 3 3 3 3
df 101 101 101 101 101 101 101 101 101 101
F 2.726 1.613 63.677 24.381 14.760 25.552 8.011 10.335 20.292 10.729
Sig. .048 .191 .000 .000 .000 .000 .000 .000 .000 .000
The F tests should be used only for descriptive purposes because the clusters have been chosen to maximize the differences among cases in different clusters. The observed significance levels are not corrected for this and thus cannot be interpreted as tests of the hypothesis that the cluster means are equal. Number of Cases in each Cluster Cluster 1 2 3 4 23.000 22.000 29.000 31.000 105.000 .000
Valid Missing
Hierarchical Cluster
35
Cluster Ward LinkageAgglomeration Schedule Cluster Combined Cluster 1 Cluster 2 7 12 8 9 10 11 1 4 3 5 1 2 6 8 1 7 3 6 3 10 1 3 Stage Cluster First Appears Cluster 1 Cluster 2 0 0 0 0 0 0 0 0 0 0 4 0 0 2 6 1 5 7 9 3 8 10
Stage 1 2 3 4 5 6 7 8 9 10 11
Coefficients .705 1.550 2.495 3.795 5.125 6.732 8.467 11.943 17.445 26.928 41.544
Next Stage 8 7 10 6 9 8 9 11 10 11 0
36
Cluster Membership Case 1:grosir 1 2:grosir 2 3:grosir 3 4:grosir 4 5:grosir 5 6:grosir 6 7:grosir 7 8:grosir 8 9:grosir 9 10:grosir 10 11:grosir 11 12:grosir 12 4 Clusters 1 1 2 1 2 3 1 3 3 4 4 1 3 Clusters 1 1 2 1 2 2 1 2 2 3 3 1 2 Clusters 1 1 2 1 2 2 1 2 2 2 2 1
Dendrogram
* * * * * * H I E R A R C H I C A L * * * * * Dendrogram using Ward Method
C L U S T E R
A N A L Y S I S *
Rescaled Distance Cluster Combine 25 C A S E Num 0 5 10 15 20
Label +---------+
+---------+---------+---------+---------
grosir 7 7 grosir 12 12 grosir 1 1 grosir 4 4 grosir 2 2 grosir 10 10 grosir 11 11 grosir 3 3 grosir 5 5
37
grosir 8 grosir 9 grosir 6
8 9 6
Materi 10 Tujuan Alat analisis Contoh kasus
: Analisis MDS : Menganalisis Interdependen atau ketergantungan antar variabel : Multidimensional Scaling :
38
Derived Stimulus Configuration Individual differences (weighted) Euclidean distance model1.5 1.0 .5 0.0 -.5 laris murah baru
lestari
Dimension 2
-1.0 -1.5 -2.0 -1.5 -1.0 -.5 0.0 .5 1.0 1.5 2.0 jaya
Dimension 1
Derived Subject Weights Individual differences (weighted) Euclidean distance model.9 8 .8 .7 .6 .5 2 4 3 1
Dimension 2
.4 .3 .2 -.2 0.0 .2
5 67
.4
.6
.8
1.0
Dimension 1
39
Scatterplot of Linear Fit Individual differences (weighted) Euclidean distance model3.0 2.5 2.0 1.5 1.0
Distances
.5 0.0 0.0 .5 1.0 1.5 2.0 2.5 3.0
Disparities
Flattened Subject Weights Individual differences (weighted) Euclidean distance model1.5 7 6 1.0 5 2 .5 0.0 -.5 -1.0 -1.5 8 -2.0 -.6 -.4 -.2 -.0 .2 .4 .6 3 1 4
Variable 1
One Dimensional Plot
40
