Tehnik Analisis Data

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


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


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


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


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


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


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


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


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


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


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


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


OUTLET,PROMOSI

a. Enter

Model1

VariablesEntered




Model Summaryb

.976a .952 .944 9.757Model1



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


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


Beta


t Sig.


Analisis : - Uji F , untuk signifikansi model regresi. - Menentukan persamaan regresi

Charts Hubungan sales dengan promosi

Partial Regression Plot


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


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


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


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


INCOME,PESAING,LAJU_PEN,OUTLET,PROMOSI

a

. Enter

. INCOME

Backward(criterion:Probability ofF-to-remove >=.100).

. LAJU_PEN


. PESAING


Model1

2

3

4

VariablesEntered




Model Summarye

.976a .954 .928 11.051

.976b .953 .935 10.497

.976c .953 .940 10.067

.976d .952 .944 9.757

Model1234



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


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


Beta


t Sig. Tolerance VIFCollinearity Statistics


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


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


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


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


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


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


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

Tehnik Analisis Data

Documents

rata omset mesin tipe

data ratio analisis

kedua popolasi memiliki

mesin tipe manakah

mesin tipe b

statistik analisis sec

meisn tipe b

analisis deskriptif