Jan 05, 2016
1
TEKNIK ANALISIS DATA
Type Data : 1. Data Nominal 1. Data Kategorikal 2. Data Ordinal 2. Data Numerikal (Diskrit Kontinue) 3. Data Interval 4. Data Ratio
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
Distribusi
Statistik Parametrik
Statistik Non-Parametrik
Normal Tidak
Normal
Manual atau Komputerize
Analisis Sec. Statistik
Analisis Sec. Non Statistik
Metode Kuantitatif lainnya
2
Materi 1 : Uji Perbedaan Tujuan : Membandingkan rata-rata dari 2 group yang tidak berhubungan
satu sama lain Alat analisis : 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 Mesin Tipe A Mesin Tipe B
1 2 3 4 5 6 7 8 9
250 255 254 215 265 211 242 215 255
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
3
Hasil :
Independent Samples Test
2.775 .115 -3.464 16 .003 -52.56 15.17 -84.72 -20.39
-3.464 11.954 .005 -52.56 15.17 -85.62 -19.49
Equal variancesassumedEqual variancesnot assumed
OMSETF Sig.
Levene's Test forEquality of Variances
t df Sig. (2-tailed)Mean
DifferenceStd. ErrorDifference Lower Upper
95% ConfidenceInterval of the
Difference
t-test for Equality of Means
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.
4
Materi 2 : Uji Perbedaan Tujuan : Membandingkan rata-rata dari 2 group yang berpasangan Alat analisis : 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 Sebelum merger
Sesudah merger
1 2 3 4 5 6 7
224 231 223 251 264 222 235
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
5
Hasil :
Paired Samples Statistics
235.71 7 16.04 6.06244.71 7 18.46 6.98
SEBELUMSESUDAH
Pair1
Mean N Std. DeviationStd. Error
Mean
Paired Samples Test
-9.00 29.74 11.24 -36.51 18.51 -.801 6 .454SEBELUM -SESUDAHPair1
MeanStd.
DeviationStd. Error
Mean Lower Upper
95% ConfidenceInterval of the
Difference
Paired Differences
t dfSig.
(2-tailed)
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.
6
Materi 3 : Uji Perbedaan > 2 sample ( tipe 1) Tujuan : Membandingkan rata-rata dari lebih 2 sample Alat analisis : 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 :
7
Oneway
Descriptives
SALES
15 25.547 2.608 .673 24.102 26.991 22.0 31.013 31.177 4.856 1.347 28.242 34.112 22.0 37.010 41.490 4.051 1.281 38.592 44.388 33.7 45.738 31.668 7.454 1.209 29.218 34.119 22.0 45.7
bandungsurabayasemarangTotal
N MeanStd.
DeviationStd.Error
LowerBound
UpperBound
95% ConfidenceInterval for Mean
Minimum Maximum
ANOVA
SALES
1529.913 2 764.956 50.903 .000525.969 35 15.028
2055.882 37
Between GroupsWithin GroupsTotal
Sum ofSquares df Mean Square F Sig.
Homogeneous Subsets
SALES
15 25.54713 31.17710 41.490
1.000 1.000 1.000
daerah penjualan kaosbandungsurabayasemarangSig.
Tukey HSDa,bN 1 2 3
Subset for alpha = .05
Means for groups in homogeneous subsets are displayed.Uses Harmonic Mean Sample Size = 12.316.a.
The group sizes are unequal. The harmonic mean of the group sizes is used. TypeI error levels are not guaranteed.
b.
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
8
Materi 4 : Uji Perbedaan > 2 sample ( tipe 2) Tujuan : Membandingkan rata-rata dari lebih 2 sample Alat analisis : General Linier Model - Univariate Contoh kasus :
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
9
Tests of Between-Subjects EffectsDependent Variable: SALES
1681.984a 5 336.397 28.790 .00039379.180 1 39379.180 3370.260 .0001511.569 2 755.784 64.684 .000
7.044 1 7.044 .603 .443146.985 2 73.492 6.290 .005373.898 32 11.684
40165.660 382055.882 37
SourceCorrected ModelInterceptDAERAHKAOSDAERAH * KAOSErrorTotalCorrected Total
Type III Sumof Squares df Mean Square F Sig.
R Squared = .818 (Adjusted R Squared = .790)a.
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 : Uji Asosisi (hubungan) 2 variabel Nominal Tujuan : Menganalisis hubungan, arah, dan intensitasnya dari 2 variabel nominal Alat analisis : 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 ?
10
Hipotesa : Ho : Tidak ada hubungan antara vaiael baris dan variabel kolom, atau Tidak ada pengaruh bidang/jenis kerja terhadap perilaku membeli kaos
Hasil :
Crosstabs
Chi-Square Tests
7.213a 2 .0278.097 2 .017
4.265 1 .039
30
Pearson Chi-SquareLikelihood RatioLinear-by-LinearAssociationN of Valid Cases
Value dfAsymp. Sig.
(2-sided)
3 cells (50.0%) have expected count less than 5. Theminimum expected count is 2.93.
a.
11
Symmetric Measures
.440 .02730
Contingency CoefficientNominal by NominalN of Valid Cases
Value Approx. Sig.
Not assuming the null hypothesis.a. Using the asymptotic standard error assuming the null hypothesis.b.
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 : Uji Asosisi 2 variabel Ordinal Tujuan : Menganalisis hubungan, arah, dan intensitasnya Alat analisis : 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
12
Correlations
1.000 .536** -.227. .002 .188
30 30 30.536** 1.000 -.285.002 . .116
30 30 30-.227 -.285 1.000.188 .116 .
30 30 30
1.000 .564** -.250. .001 .182
30 30 30.564** 1.000 -.292.001 . .117
30 30 30-.250 -.292 1.000.182 .117 .
30 30 30
Correlation CoefficientSig. (2-tailed)NCorrelation CoefficientSig. (2-tailed)NCorrelation CoefficientSig. (2-tailed)N
Correlation CoefficientSig. (2-tailed)NCorrelation CoefficientSig. (2-tailed)NCorrelation CoefficientSig. (2-tailed)N
sikap konsumen
Loyalitas Konsumen
frekuensi pembeliankaos
sikap konsumen
Loyalitas Konsumen
frekuensi pembeliankaos
Kendall's tau_b
Spearman's rho
sikapkonsumen
LoyalitasKonsumen
frekuensipembelian
kaos
Correlation is significant at the .01 level (2-tailed).**.
Materi 7 : Uji Asosisi 2 variabel Interval dan Rasio, analisis regresi Tujuan : Menganalisis hubungan, arah, intensitasnya, model regresi Alat analisis : 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 variabel-tersebut 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
13
Hasil :
Regression Descriptive Statistics
246.40 41.113 1534.67 9.678 15
SALESPROMOSI
Mean Std. Deviation N
Correlations
1.000 .916.916 1.000
. .000.000 .
15 1515 15
SALESPROMOSISALESPROMOSISALESPROMOSI
Pearson Correlation
Sig. (1-tailed)
N
SALES PROMOSI
Dapat dianalisis : Mean, St. deviasi , korelasi dan significansinya.
Variables Entered/Removedb
PROMOSIa . EnterModel1
VariablesEntered
VariablesRemoved Method
All requested variables entered.a.
Dependent Variable: SALESb.
Model Summaryb
.916a .839 .826 17.127Model1
R R SquareAdjustedR Square
Std. Error ofthe Estimate
Predictors: (Constant), PROMOSIa. Dependent Variable: SALESb.
Dapat dianalisis : R square, st.error estimate dibandingkan dengan st. dev.
14
ANOVAb
19850.334 1 19850.334 67.673 .000a3813.266 13 293.328
23663.600 14
RegressionResidualTotal
Model1
Sum ofSquares df Mean Square F Sig.
Predictors: (Constant), PROMOSIa. Dependent Variable: SALESb.
Uji Anova, untuk memprediksi kevalidan model regresi dalam melakukan prediksi dari var. Bebas ke var. Terikat.
Coefficientsa
111.523 16.982 6.567 .0003.891 .473 .916 8.226 .000
(Constant)PROMOSI
Model1
B Std. Error
UnstandardizedCoefficients
Beta
StandardizedCoefficients
t Sig.
Dependent Variable: SALESa.
Dari table ini dihasilkan persamaan regresi dan uji t untuk signifikansi tiap variable regresi.
Casewise Diagnosticsa
YOGYA -1.124 209 228.24 -19.24PEKALONG 2.748 322 274.93 47.07
Case Number815
DAERAH Std. Residual SALESPredicted
Value Residual
Dependent Variable: SALESa.
Charts
15
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: SALES
Observed Cum Prob
1.00.75.50.250.00
Expe
cte
d Cu
m Pr
ob
1.00
.75
.50
.25
0.00
BOGOR
MADIUNBANDUNGBEKASISOLO
SURABAYAKUDUS
JAKARTATUBANMALANGSEMARANGTANGERANPURWOKER
YOGYA
Untuk analisis NORMALITAS, - Jk normal, maka sebaran data akan terletak di sekitar garis.
Scatterplot
Dependent Variable: SALES
Regression Standardized Predicted Value
2.52.01.51.0.50.0-.5-1.0-1.5
Re
gre
ssio
n St
ude
ntiz
ed
De
lete
d (P
ress
) Re
sidu
al
5
4
3
2
1
0
-1
-2
PEKALONG
KUDUSMALANGTUBAN
MADIUN
PURWOKER
SURABAYA
YOGYA
SOLO
SEMARANG
BANDUNGBOGOR
BEKASI
TANGERANJAKARTA
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.
16
Scatterplot
Dependent Variable: SALES
SALES
340320300280260240220200
Re
gre
ssio
n St
an
dard
ize
d Pr
edi
cte
d Va
lue
2.5
2.0
1.5
1.0
.5
0.0
-.5
-1.0
-1.5
PEKALONGKUDUS
MALANG
TUBAN
MADIUNPURWOKER
SURABAYA
YOGYA SOLO
SEMARANG
BANDUNG
BOGOR
BEKASI
TANGERANJAKARTA
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
17
Descriptive Statistics
246.40 41.113 1534.67 9.678 15
187.93 38.087 15
SALESPROMOSIOUTLET
Mean Std. Deviation N
Correlations
1.000 .916 .901.916 1.000 .735.901 .735 1.000
. .000 .000.000 . .001.000 .001 .
15 15 1515 15 1515 15 15
SALESPROMOSIOUTLETSALESPROMOSIOUTLETSALESPROMOSIOUTLET
Pearson Correlation
Sig. (1-tailed)
N
SALES PROMOSI OUTLET
- Rata-rata, standard deviasi masing-masing variable - Besar hubungan dari tiap pasang variable - Nilai signifikasni koefisien korelasi
Variables Entered/Removedb
OUTLET,PROMOSI
a. Enter
Model1
VariablesEntered
VariablesRemoved Method
All requested variables entered.a.
Dependent Variable: SALESb.
Model Summaryb
.976a .952 .944 9.757Model1
R R SquareAdjustedR Square
Std. Error ofthe Estimate
Predictors: (Constant), OUTLET, PROMOSIa. Dependent Variable: SALESb.
18
ANOVAb
22521.299 2 11260.649 118.294 .000a1142.301 12 95.192
23663.600 14
RegressionResidualTotal
Model1
Sum ofSquares df Mean Square F Sig.
Predictors: (Constant), OUTLET, PROMOSIa. Dependent Variable: SALESb.
Coefficientsa
64.639 13.112 4.930 .0002.342 .398 .551 5.892 .000.535 .101 .496 5.297 .000
(Constant)PROMOSIOUTLET
Model1
B Std. Error
UnstandardizedCoefficients
Beta
StandardizedCoefficients
t Sig.
Dependent Variable: SALESa.
Analisis : - Uji F , untuk signifikansi model regresi. - Menentukan persamaan regresi
Charts Hubungan sales dengan promosi
Partial Regression Plot
Dependent Variable: SALES
PROMOSI
20100-10-20
SALE
S
50
40
30
20
10
0
-10
-20
-30
PEKALONG
KUDUS
MALANG
TUBAN
MADIUN
PURWOKER
SURABAYAYOGYASOLO
SEMARANG
BANDUNG
BOGORBEKASI
TANGERANJAKARTA
Sebaran data membentuk arah ke kanan atas, slope positif.
19
Hubungan Sales dengan Outlet Partial Regression Plot
Dependent Variable: SALES
OUTLET
806040200-20-40
SALE
S
50
40
30
20
10
0
-10
-20
PEKALONG
KUDUS
MALANGTUBAN
MADIUN
PURWOKER
SURABAYA
YOGYA
SOLO
SEMARANG
BANDUNG
BOGOR
BEKASI
TANGERAN
JAKARTA
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
20
Descriptive Statistics
246.40 41.113 1534.67 9.678 15
187.93 38.087 151.9833 .50700 1516.20 3.877 15
3.3280 .92213 15
SALESPROMOSIOUTLETLAJU_PENPESAINGINCOME
Mean Std. Deviation N
Correlations
1.000 .916 .901 -.143 .744 -.287.916 1.000 .735 -.062 .796 -.339.901 .735 1.000 -.199 .574 -.252
-.143 -.062 -.199 1.000 -.495 -.111.744 .796 .574 -.495 1.000 -.073
-.287 -.339 -.252 -.111 -.073 1.000. .000 .000 .305 .001 .150
.000 . .001 .413 .000 .108
.000 .001 . .238 .013 .183
.305 .413 .238 . .030 .347
.001 .000 .013 .030 . .397
.150 .108 .183 .347 .397 .15 15 15 15 15 1515 15 15 15 15 1515 15 15 15 15 1515 15 15 15 15 1515 15 15 15 15 1515 15 15 15 15 15
SALESPROMOSIOUTLETLAJU_PENPESAINGINCOMESALESPROMOSIOUTLETLAJU_PENPESAINGINCOMESALESPROMOSIOUTLETLAJU_PENPESAINGINCOME
Pearson Correlation
Sig. (1-tailed)
N
SALES PROMOSI OUTLET LAJU_PEN PESAING INCOME
21
Variables Entered/Removedb
INCOME,PESAING,LAJU_PEN,OUTLET,PROMOSI
a
. Enter
. INCOME
Backward(criterion:Probability ofF-to-remove >=.100).
. LAJU_PEN
Backward(criterion:Probability ofF-to-remove >=.100).
. PESAING
Backward(criterion:Probability ofF-to-remove >=.100).
Model1
2
3
4
VariablesEntered
VariablesRemoved Method
All requested variables entered.a.
Dependent Variable: SALESb.
Model Summarye
.976a .954 .928 11.051
.976b .953 .935 10.497
.976c .953 .940 10.067
.976d .952 .944 9.757
Model1234
R R SquareAdjustedR Square
Std. Error ofthe Estimate
Predictors: (Constant), INCOME, PESAING,LAJU_PEN, OUTLET, PROMOSI
a.
Predictors: (Constant), PESAING, LAJU_PEN,OUTLET, PROMOSI
b.
Predictors: (Constant), PESAING, OUTLET, PROMOSIc. Predictors: (Constant), OUTLET, PROMOSId. Dependent Variable: SALESe.
22
ANOVAe
22564.432 5 4512.886 36.952 .000a
1099.168 9 122.13023663.600 1422561.748 4 5640.437 51.191 .000b
1101.852 10 110.18523663.600 1422548.747 3 7516.249 74.161 .000c
1114.853 11 101.35023663.600 1422521.299 2 11260.649 118.294 .000d
1142.301 12 95.19223663.600 14
RegressionResidualTotalRegressionResidualTotalRegressionResidualTotalRegressionResidualTotal
Model1
2
3
4
Sum ofSquares df Mean Square F Sig.
Predictors: (Constant), INCOME, PESAING, LAJU_PEN, OUTLET, PROMOSIa. Predictors: (Constant), PESAING, LAJU_PEN, OUTLET, PROMOSIb. Predictors: (Constant), PESAING, OUTLET, PROMOSIc. Predictors: (Constant), OUTLET, PROMOSId. Dependent Variable: SALESe.
Coefficientsa
50.126 36.000 1.392 .1972.017 .924 .475 2.183 .057 .109 9.162.550 .123 .509 4.455 .002 .395 2.534
2.760 9.485 .034 .291 .778 .377 2.651.970 2.099 .091 .462 .655 .132 7.592.548 3.698 .012 .148 .885 .750 1.333
51.275 33.393 1.536 .1561.960 .797 .461 2.459 .034 .132 7.556.551 .117 .511 4.717 .001 .397 2.518
3.035 8.835 .037 .343 .738 .392 2.5491.084 1.855 .102 .584 .572 .152 6.573
61.435 14.864 4.133 .0022.148 .555 .506 3.870 .003 .251 3.985.537 .104 .497 5.146 .000 .459 2.179.597 1.147 .056 .520 .613 .366 2.729
64.639 13.112 4.930 .0002.342 .398 .551 5.892 .000 .459 2.177.535 .101 .496 5.297 .000 .459 2.177
(Constant)PROMOSIOUTLETLAJU_PENPESAINGINCOME(Constant)PROMOSIOUTLETLAJU_PENPESAING(Constant)PROMOSIOUTLETPESAING(Constant)PROMOSIOUTLET
Model1
2
3
4
B Std. Error
UnstandardizedCoefficients
Beta
StandardizedCoefficients
t Sig. Tolerance VIFCollinearity Statistics
Dependent Variable: SALESa.
23
Analisis : - R2 = 1 Tolerance, variabilitas variable 1 dipengaruhi / dapat
dijelaskan oleh predictor (variable bebas) yang lain. - VIF = 1/tolerance.
Jika VIF > 5, terdapat multikolinearitas -
Collinearity Diagnosticsa
5.774 1.000 .00 .00 .00 .00 .00 .00.120 6.944 .00 .01 .01 .04 .01 .13
7.567E-02 8.735 .00 .00 .00 .15 .01 .261.701E-02 18.423 .01 .05 .55 .05 .06 .021.108E-02 22.827 .28 .13 .07 .01 .08 .542.452E-03 48.526 .71 .81 .37 .75 .84 .05
4.857 1.000 .00 .00 .00 .00 .00.101 6.942 .00 .01 .00 .14 .02
2.342E-02 14.400 .12 .17 .00 .09 .021.648E-02 17.169 .00 .01 .62 .02 .132.552E-03 43.623 .88 .81 .37 .75 .84
3.937 1.000 .00 .00 .00 .003.723E-02 10.284 .48 .14 .00 .041.751E-02 14.994 .08 .03 .46 .478.330E-03 21.740 .44 .82 .53 .48
2.954 1.000 .00 .00 .003.462E-02 9.237 .58 .41 .001.124E-02 16.210 .42 .59 1.00
Dimension123456123451234123
Model1
2
3
4
EigenvalueCondition
Index (Constant) PROMOSI OUTLET LAJU_PEN PESAING INCOMEVariance Proportions
Dependent Variable: SALESa.
Analisis : - Eigenvalue mendekati 0, terjadi multikolinearitas. - Condition Index melebihi 15, terjadi multikolinearitas,
Jika melebihi 30, sangat serius problem multikolinearitas. -
Excluded Variablesd
.012a .148 .885 .049 .750 1.333 .109
.017b .219 .831 .069 .780 1.282 .211
.037b .343 .738 .108 .392 2.549 .132
.027c .393 .702 .118 .885 1.130 .434-.011c -.165 .872 -.050 .945 1.058 .436.056c .520 .613 .155 .366 2.729 .251
INCOMEINCOMELAJU_PENINCOMELAJU_PENPESAING
Model23
4
Beta In t Sig.Partial
Correlation Tolerance VIFMinimumTolerance
Collinearity Statistics
Predictors in the Model: (Constant), PESAING, LAJU_PEN, OUTLET, PROMOSIa. Predictors in the Model: (Constant), PESAING, OUTLET, PROMOSIb. Predictors in the Model: (Constant), OUTLET, PROMOSIc. Dependent Variable: SALESd.
24
Materi 7 : Analisis Diskriminan Tujuan : Mengelompokkan objek kedalam 2 atau lebih kelompok berdasar kriteria Sejumlah variabel bebas. Alat analisis : 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
25
Tests of Equality of Group Means
.996 .386 1 103 .536
.989 1.165 1 103 .283
.922 8.693 1 103 .004
.860 16.828 1 103 .000
.989 1.094 1 103 .298
.991 .957 1 103 .330
.997 .315 1 103 .576
.982 1.937 1 103 .167
.860 16.752 1 103 .000
.998 .204 1 103 .652
LAYOUTLENGKAPHARGAMUSIKACLAMPUPELKARPELKASIRPROMOSIIMAGE
Wilks'Lambda F df1 df2 Sig.
Stepwise Statistics
Variables Entered/Removeda,b,c,d
MUSIK .643 sering andjarang 16.828 1 103.000 8.198E-05
PROMOSI 1.002 sering andjarang 12.988 2 102.000 9.443E-06
IMAGE 1.257 sering andjarang 10.758 3 101.000 3.393E-06
HARGA 1.591 sering andjarang 10.117 4 100.000 6.439E-07
Step1
2
3
4
Entered StatisticBetweenGroups Statistic df1 df2 Sig.
Exact F
Min. D Squared
At each step, the variable that maximizes the Mahalanobis distance between the two closestgroups is entered.
Maximum number of steps is 20.a.
Maximum significance of F to enter is .05.b.
Minimum significance of F to remove is .10.c.
F level, tolerance, or VIN insufficient for further computation.d.
26
Wilks' Lambda
1 .860 1 1 103 16.828 1 103.000 8.198E-052 .797 2 1 103 12.988 2 102.000 9.443E-063 .758 3 1 103 10.758 3 101.000 3.393E-064 .712 4 1 103 10.117 4 100.000 6.439E-07
Step1234
Number ofVariables Lambda df1 df2 df3 Statistic df1 df2 Sig.
Exact F
Summary of Canonical Discriminant Functions
Eigenvalues
.405a 100.0 100.0 .537Function1
Eigenvalue % of Variance Cumulative %CanonicalCorrelation
First 1 canonical discriminant functions were used in theanalysis.
a.
Wilks' Lambda
.712 34.321 4 .000Test of Function(s)1
Wilks'Lambda Chi-square df Sig.
Structure Matrix
-.635.634.457
-.298-.202-.179.123
-.117.083
-.070
MUSIKPROMOSIHARGALAMPUaLENGKAPaACaPELKASIRaLAYOUTaPELKARaIMAGE
1Function
Pooled within-groups correlations between discriminatingvariables and standardized canonical discriminant functions Variables ordered by absolute size of correlation within function.
This variable not used in the analysis.a.
Kesimpulan : 1. Dari tabel Wilks lambda mengindikasikan perbedaan yang nyata dari kedua
kelompok pengunjung Supermarket pada model diskriminan yang terbentuk
27
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.
28
Materi 8 : Analisis Faktor Tujuan : Mereduksi berbagai variabel menjadi beberapa kelopok faktor Alat analisis : Factor Analysis Contoh kasus :
Hasil :
Factor Analysis
KMO and Bartlett's Test
.552
87.43728
.000
Kaiser-Meyer-Olkin Measure of SamplingAdequacy.
Approx. Chi-SquaredfSig.
Bartlett's Test ofSphericity
29
Anti-image Matrices
.929 -8.15E-02 -.105 2.857E-03 .141 3.102E-02 7.404E-02 -9.21E-02-8.15E-02 .679 9.569E-02 -.297 9.872E-02 .153 .110 -.203
-.105 9.569E-02 .809 -.133 -.108 -7.32E-02 -.206 4.172E-022.857E-03 -.297 -.133 .757 -.155 -4.68E-02 -.122 2.942E-02
.141 9.872E-02 -.108 -.155 .855 -4.32E-02 4.929E-02 -.2143.102E-02 .153 -7.32E-02 -4.68E-02 -4.316E-02 .840 -.169 3.153E-027.404E-02 .110 -.206 -.122 4.929E-02 -.169 .792 -7.63E-02-9.21E-02 -.203 4.172E-02 2.942E-02 -.214 3.153E-02 -7.63E-02 .849
.528a -.103 -.121 3.409E-03 .158 3.513E-02 8.631E-02 -.104-.103 .513a .129 -.415 .130 .203 .150 -.267-.121 .129 .624a -.170 -.130 -8.88E-02 -.257 5.034E-02
3.409E-03 -.415 -.170 .474a -.193 -5.87E-02 -.158 3.672E-02.158 .130 -.130 -.193 .476a -5.09E-02 5.988E-02 -.252
3.513E-02 .203 -8.88E-02 -5.87E-02 -5.095E-02 .708a -.207 3.735E-028.631E-02 .150 -.257 -.158 5.988E-02 -.207 .614a -9.30E-02
-.104 -.267 5.034E-02 3.672E-02 -.252 3.735E-02 -9.30E-02 .505a
LAYOUTLENGKAPHARGAPELKARPELKASIRPROMOSIIMAGEBERSIHLAYOUTLENGKAPHARGAPELKARPELKASIRPROMOSIIMAGEBERSIH
Anti-imageCovariance
Anti-imageCorrelation
LAYOUT LENGKAP HARGA PELKAR PELKASIR PROMOSI IMAGE BERSIH
Measures of Sampling Adequacy(MSA)a.
Factor Analysis
Communalities
1.000 .3081.000 .5771.000 .5491.000 .4651.000 .5991.000 .548
LAYOUTLENGKAPHARGAPROMOSIIMAGEBERSIH
Initial Extraction
Extraction Method: Principal Component Analysis.
Total Variance Explained
1.829 30.488 30.488 1.829 30.488 30.4881.217 20.286 50.774 1.217 20.286 50.774.944 15.732 66.506.758 12.637 79.143.639 10.642 89.785.613 10.215 100.000
Component123456
Total % of Variance Cumulative % Total % of Variance Cumulative %Initial Eigenvalues Extraction Sums of Squared Loadings
Extraction Method: Principal Component Analysis.
30
Scree Plot
Component Number
654321
Eige
nva
lue
2.0
1.8
1.6
1.4
1.2
1.0
.8
.6
.4
Component Matrixa
-.301 .466-.654 .386.563 .482.673 .111.648 .423
-.348 .654
LAYOUTLENGKAPHARGAPROMOSIIMAGEBERSIH
1 2Component
Extraction Method: Principal Component Analysis.2 components extracted.a.
Rotated Component Matrixa
7.304E-03 .555-.331 .683.735 9.035E-02.622 -.280.774 -6.16E-03
7.148E-02 .737
LAYOUTLENGKAPHARGAPROMOSIIMAGEBERSIH
1 2Component
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
Rotation converged in 3 iterations.a.
31
Component Transformation Matrix
.833 -.553
.553 .833
Component12
1 2
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
Component Plot in Rotated Space
Component 1
1.0.50.0-.5-1.0
Com
pon
en
t 2
1.0
.5
0.0
-.5
-1.0
bersih
image
promosi
harga
lengkaplayout
32
Materi 9 : Statistika Non Parametrik Tujuan : Menganalisis data yang mempunyai jumlah kecil, mempunyai sebaran
yang tidak normal. Alat analisis : Statistika Non Parametrik
33
Materi 9 : Analisis Cluster Tujuan : 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 Cluster
Initial Cluster Centers
4.50 3.20 4.60 3.204.40 3.00 3.10 2.902.00 1.00 4.90 4.304.90 4.30 4.30 2.004.10 4.50 3.00 2.004.90 2.00 2.10 2.104.40 3.00 1.60 4.701.50 4.50 1.40 4.401.00 4.20 3.50 3.301.00 2.00 2.70 4.70
LAYOUTLENGKAPHARGAMUSIKACLAMPUPELKARPELKASIRPROMOSIIMAGE
1 2 3 4Cluster
34
Iteration Historya
2.729 2.210 2.876 2.074.548 .404 .401 .253.355 .381 .150 .309.137 .235 .149 .212.197 .268 .118 .159.113 .365 .194 .104.102 .102 .122 .000.000 .000 .000 .000
Iteration12345678
1 2 3 4Change in Cluster Centers
Convergence achieved due to no or small distancechange. The maximum distance by which any centerhas changed is .000. The current iteration is 8. Theminimum distance between initial centers is 5.595.
a.
Final Cluster Centers
3.53 3.22 3.84 3.663.55 3.35 3.68 3.372.46 2.06 2.51 4.354.23 2.67 3.72 2.753.83 3.20 2.24 2.853.67 1.85 2.19 2.713.55 3.29 3.12 4.053.31 3.73 2.53 3.741.94 3.66 2.79 3.432.64 3.21 2.47 3.78
LAYOUTLENGKAPHARGAMUSIKACLAMPUPELKARPELKASIRPROMOSIIMAGE
1 2 3 4Cluster
35
ANOVA
1.696 3 .622 101 2.726 .048.667 3 .414 101 1.613 .191
29.698 3 .466 101 63.677 .00014.235 3 .584 101 24.381 .00011.479 3 .778 101 14.760 .00014.655 3 .574 101 25.552 .0004.824 3 .602 101 8.011 .0009.042 3 .875 101 10.335 .000
14.080 3 .694 101 20.292 .00010.281 3 .958 101 10.729 .000
LAYOUTLENGKAPHARGAMUSIKACLAMPUPELKARPELKASIRPROMOSIIMAGE
Mean Square dfCluster
Mean Square dfError
F Sig.
The F tests should be used only for descriptive purposes because the clusters have beenchosen to maximize the differences among cases in different clusters. The observed significancelevels are not corrected for this and thus cannot be interpreted as tests of the hypothesis that thecluster means are equal.
Number of Cases in each Cluster
23.00022.00029.00031.000
105.000.000
1234
Cluster
ValidMissing
Hierarchical Cluster
36
Cluster
Ward Linkage
Agglomeration Schedule
7 12 .705 0 0 88 9 1.550 0 0 7
10 11 2.495 0 0 101 4 3.795 0 0 63 5 5.125 0 0 91 2 6.732 4 0 86 8 8.467 0 2 91 7 11.943 6 1 113 6 17.445 5 7 103 10 26.928 9 3 111 3 41.544 8 10 0
Stage1234567891011
Cluster 1 Cluster 2Cluster Combined
Coefficients Cluster 1 Cluster 2
Stage Cluster FirstAppears
Next Stage
37
Cluster Membership
1 1 11 1 12 2 21 1 12 2 23 2 21 1 13 2 23 2 24 3 24 3 21 1 1
Case1:grosir 12:grosir 23:grosir 34:grosir 45:grosir 56:grosir 67:grosir 78:grosir 89:grosir 910:grosir 1011:grosir 1112:grosir 12
4 Clusters 3 Clusters 2 Clusters
Dendrogram
* * * * * * H I E R A R C H I C A L C L U S T E R A N A L Y S I S * * * * * *
Dendrogram using Ward Method
Rescaled Distance Cluster Combine
C A S E 0 5 10 15 20 25 Label Num +---------+---------+---------+---------+---------+
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 grosir 8 8 grosir 9 9 grosir 6 6
38
Materi 10 : Analisis MDS Tujuan : Menganalisis Interdependen atau ketergantungan antar variabel Alat analisis : Multidimensional Scaling Contoh kasus :
Derived Stimulus Configuration
Individual differences (weighted) Euclidean distance model
Dimension 1
2.01.51.0.50.0-.5-1.0-1.5
Dim
en
sion
2
1.5
1.0
.5
0.0
-.5
-1.0
-1.5
-2.0
murah
jaya
lestari
laris
baru
39
Derived Subject WeightsIndividual differences (weighted) Euclidean distance model
Dimension 1
1.0.8.6.4.20.0-.2
Dim
en
sion
2
.9
.8
.7
.6
.5
.4
.3
.2
8
765
4
3
2
1
Scatterplot of Linear Fit
Individual differences (weighted) Euclidean distance model
Disparities
3.02.52.01.51.0.50.0
Dist
an
ces
3.0
2.5
2.0
1.5
1.0
.5
0.0
40
Flattened Subject WeightsIndividual differences (weighted) Euclidean distance model
One Dimensional Plot
.6.4.2-.0-.2-.4-.6
Varia
ble
1
1.5
1.0
.5
0.0
-.5
-1.0
-1.5
-2.08
76
5
4
3
2
1