analisis spss
TRANSCRIPT
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
Materi 1 : Uji Perbedaan Tujuan : Membandingkan ratarata dari 2 group yang tidak berhubungan
DATA
Distribusi
Statistik Parametrik
Statistik Non Parametrik
Normal Tidak Normal
Manual atau Komputerize
Analisis Sec. Statistik
Analisis Sec. Non Statistik
Metode Kuantitatif lainnya
2
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 ratarata 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 ratarata yang identik/sama, atau
Tidak ada perbedaan ratarata dari kedua populasi, atau Ratarata 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 variances assumed Equal variances not assumed
OMSET F Sig.
Levene's Test for Equality of Variances
t df Sig. (2tailed) Mean
Difference Std. Error Difference Lower Upper
95% Confidence Interval of the Difference
ttest for Equality of Means
Kesimpulan : 1. Kedua sampel, baik diasumsikan / memiliki variance yang sama atau tidak,
memberikan hasil Ho ditolak (lihat kolom Sig. (2tailed)). Dengan kata lain, perbedaan kinerja yang terjadi memang nyata dan dana sebaiknya dialokasikan pada meisn tipe B.
4
Materi 2 : Uji Perbedaan Tujuan : Membandingkan ratarata 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 ratarata yang identik/sama, atau
Tidak ada perbedaan ratarata 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 6.06 244.71 7 18.46 6.98
SEBELUM SESUDAH
Pair 1
Mean N Std. Deviation Std. Error Mean
Paired Samples Test
9.00 29.74 11.24 36.51 18.51 .801 6 .454 SEBELUM SESUDAH
Pair 1
Mean Std.
Deviation Std. Error Mean Lower Upper
95% Confidence Interval of the Difference
Paired Differences
t df Sig.
(2tailed)
Kesimpulan : 1. Karena nilai Sig. (2tailed) > 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 ratarata kinerja setelah merger lebih baik, namun hal tersebut tidaklah signifikan.
6
Materi 3 : Uji Perbedaan > 2 sample ( tipe 1) Tujuan : Membandingkan ratarata 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 berbedabeda 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 masingmasing pasar ? 3. Bagaimana perusahaan menyikapi hal tersebut ?
Hipotesa : Ho : Ketiga Popolasi memiliki ratarata yang identik/sama, atau
Tidak ada perbedaan ratarata 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 31.0 13 31.177 4.856 1.347 28.242 34.112 22.0 37.0 10 41.490 4.051 1.281 38.592 44.388 33.7 45.7 38 31.668 7.454 1.209 29.218 34.119 22.0 45.7
bandung surabaya semarang Total
N Mean Std.
Deviation Std. Error
Lower Bound
Upper Bound
95% Confidence Interval for Mean
Minimum Maximum
ANOVA
SALES
1529.913 2 764.956 50.903 .000 525.969 35 15.028 2055.882 37
Between Groups Within Groups Total
Sum of Squares df Mean Square F Sig.
Homogeneous Subsets
SALES
15 25.547 13 31.177 10 41.490
1.000 1.000 1.000
daerah penjualan kaos bandung surabaya semarang Sig.
Tukey HSD a,b N 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. Type I error levels are not guaranteed.
b.
Kesimpulan : 1. Dari tabel Anova, Karena nilai Sig. (2tailed) < 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 masingmasing pasar.
2. Dari tabel Homogeneous Subsets, semuanya merata berbeda secara nyata
8
Materi 4 : Uji Perbedaan > 2 sample ( tipe 2) Tujuan : Membandingkan ratarata 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 BetweenSubjects Effects
Dependent Variable: SALES
1681.984 a 5 336.397 28.790 .000 39379.180 1 39379.180 3370.260 .000 1511.569 2 755.784 64.684 .000
7.044 1 7.044 .603 .443 146.985 2 73.492 6.290 .005 373.898 32 11.684
40165.660 38 2055.882 37
Source Corrected Model Intercept DAERAH KAOS DAERAH * KAOS Error Total Corrected Total
Type III Sum of 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
ChiSquare Tests
7.213 a 2 .027 8.097 2 .017
4.265 1 .039
30
Pearson ChiSquare Likelihood Ratio LinearbyLinear Association N of Valid Cases
Value df Asymp. Sig. (2sided)
3 cells (50.0%) have expected count less than 5. The minimum expected count is 2.93.
a.
11
Symmetric Measures
.440 .027 30
Contingency Coefficient Nominal by Nominal N 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 Chisquare 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 variabelvariabel 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 Coefficient Sig. (2tailed) N Correlation Coefficient Sig. (2tailed) N Correlation Coefficient Sig. (2tailed) N
Correlation Coefficient Sig. (2tailed) N Correlation Coefficient Sig. (2tailed) N Correlation Coefficient Sig. (2tailed) N
sikap konsumen
Loyalitas Konsumen
frekuensi pembelian kaos
sikap konsumen
Loyalitas Konsumen
frekuensi pembelian kaos
Kendall's tau_b
Spearman's rho
sikap konsumen
Loyalitas Konsumen
frekuensi pembelian
kaos
Correlation is significant at the .01 level (2tailed). **.
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 15 34.67 9.678 15
SALES PROMOSI
Mean Std. Deviation N
Correlations
1.000 .916 .916 1.000
. .000 .000 . 15 15 15 15
SALES PROMOSI SALES PROMOSI SALES PROMOSI
Pearson Correlation
Sig. (1tailed)
N
SALES PROMOSI
Dapat dianalisis : Mean, St. deviasi , korelasi dan significansinya.
Variables Entered/Removed b
PROMOSI a . Enter Model 1
Variables Entered
Variables Removed Method
All requested variables entered. a.
Dependent Variable: SALES b.
Model Summary b
.916 a .839 .826 17.127 Model 1
R R Square Adjusted R Square
Std. Error of the Estimate
Predictors: (Constant), PROMOSI a.
Dependent Variable: SALES b.
Dapat dianalisis : R square, st.error estimate dibandingkan dengan st. dev.
14
ANOVA b
19850.334 1 19850.334 67.673 .000 a
3813.266 13 293.328 23663.600 14
Regression Residual Total
Model 1
Sum of Squares df Mean Square F Sig.
Predictors: (Constant), PROMOSI a.
Dependent Variable: SALES b.
Uji Anova, untuk memprediksi kevalidan model regresi dalam melakukan prediksi dari var. Bebas ke var. Terikat.
Coefficients a
111.523 16.982 6.567 .000 3.891 .473 .916 8.226 .000
(Constant) PROMOSI
Model 1
B Std. Error
Unstandardized Coefficients
Beta
Standardized Coefficients
t Sig.
Dependent Variable: SALES a.
Dari table ini dihasilkan persamaan regresi dan uji t untuk signifikansi tiap variable regresi.
Casewise Diagnostics a
YOGYA 1.124 209 228.24 19.24 PEKALO NG 2.748 322 274.93 47.07
Case Number 8 15
DAERAH Std. Residual SALES Predicted Value Residual
Dependent Variable: SALES a.
Charts
15
Normal PP Plot of Regression Standardized Residual
Dependent Variable: SALES
Observed Cum Prob
1.00 .75 .50 .25 0.00
Expected Cum
Prob
1.00
.75
.50
.25
0.00
BOGOR
MADIUN BANDUNG BEKASI SOLO
SURABAYA KUDUS
JAKARTA TUBAN MALANG SEMARANG TANGERAN PURWOKER
YOGYA
Untuk analisis NORMALITAS, Jk normal, maka sebaran data akan terletak di sekitar garis.
Scatterplot
Dependent Variable: SALES
Regression Standardized Predicted Value
2.5 2.0 1.5 1.0 .5 0.0 .5 1.0 1.5
Regression Studentized Deleted (P
ress) R
esidual
5
4
3
2
1
0
1
2
PEKALONG
KUDUS
MALANG TUBAN
MADIUN
PURWOKER
SURABAYA
YOGYA
SOLO
SEMARANG
BANDUNG BOGOR
BEKASI
TANGERAN JAKARTA
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
340 320 300 280 260 240 220 200
Regression Standardized Predicted Value
2.5
2.0
1.5
1.0
.5
0.0
.5
1.0
1.5
PEKALONG KUDUS
MALANG
TUBAN
MADIUN PURWOKER
SURABAYA
YOGYA SOLO
SEMARANG
BANDUNG
BOGOR
BEKASI
TANGERAN JAKARTA
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 variabeltersebut 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 15 34.67 9.678 15 187.93 38.087 15
SALES PROMOSI OUTLET
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 15 15 15 15 15 15 15
SALES PROMOSI OUTLET SALES PROMOSI OUTLET SALES PROMOSI OUTLET
Pearson Correlation
Sig. (1tailed)
N
SALES PROMOSI OUTLET
Ratarata, standard deviasi masingmasing variable Besar hubungan dari tiap pasang variable Nilai signifikasni koefisien korelasi
Variables Entered/Removed b
OUTLET, PROMOSI
a . Enter
Model 1
Variables Entered
Variables Removed Method
All requested variables entered. a.
Dependent Variable: SALES b.
Model Summary b
.976 a .952 .944 9.757 Model 1
R R Square Adjusted R Square
Std. Error of the Estimate
Predictors: (Constant), OUTLET, PROMOSI a.
Dependent Variable: SALES b.
18
ANOVA b
22521.299 2 11260.649 118.294 .000 a
1142.301 12 95.192 23663.600 14
Regression Residual Total
Model 1
Sum of Squares df Mean Square F Sig.
Predictors: (Constant), OUTLET, PROMOSI a.
Dependent Variable: SALES b.
Coefficients a
64.639 13.112 4.930 .000 2.342 .398 .551 5.892 .000 .535 .101 .496 5.297 .000
(Constant) PROMOSI OUTLET
Model 1
B Std. Error
Unstandardized Coefficients
Beta
Standardized Coefficients
t Sig.
Dependent Variable: SALES a.
Analisis : Uji F , untuk signifikansi model regresi. Menentukan persamaan regresi
Charts Hubungan sales dengan promosi
Partial Regression Plot
Dependent Variable: SALES
PROMOSI
20 10 0 10 20
SALE
S
50
40
30
20
10
0
10
20
30
PEKALONG
KUDUS
MALANG
TUBAN
MADIUN
PURWOKER
SURABAYAYOGYA SOLO
SEMARANG
BANDUNG
BOGOR BEKASI
TANGERAN JAKARTA
Sebaran data membentuk arah ke kanan atas, slope positif.
19
Hubungan Sales dengan Outlet Partial Regression Plot
Dependent Variable: SALES
OUTLET
80 60 40 20 0 20 40
SALE
S
50
40
30
20
10
0
10
20
PEKALONG
KUDUS
MALANG TUBAN
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 variabeltersebut 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 15 34.67 9.678 15 187.93 38.087 15 1.9833 .50700 15 16.20 3.877 15 3.3280 .92213 15
SALES PROMOSI OUTLET LAJU_PEN PESAING INCOME
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 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15
SALES PROMOSI OUTLET LAJU_PEN PESAING INCOME SALES PROMOSI OUTLET LAJU_PEN PESAING INCOME SALES PROMOSI OUTLET LAJU_PEN PESAING INCOME
Pearson Correlation
Sig. (1tailed)
N
SALES PROMOSI OUTLET LAJU_PEN PESAING INCOME
21
Variables Entered/Removed b
INCOME, PESAING, LAJU_PE N,OUTLET, PROMOSI
a
. Enter
. INCOME
Backward (criterion: Probabilit y of Ftoremo ve >= .100).
. LAJU_PEN
Backward (criterion: Probabilit y of Ftoremo ve >= .100).
. PESAING
Backward (criterion: Probabilit y of Ftoremo ve >= .100).
Model 1
2
3
4
Variables Entered
Variables Removed Method
All requested variables entered. a.
Dependent Variable: SALES b.
Model Summary e
.976 a .954 .928 11.051
.976 b .953 .935 10.497
.976 c .953 .940 10.067
.976 d .952 .944 9.757
Model 1 2 3 4
R R Square Adjusted R Square
Std. Error of the Estimate
Predictors: (Constant), INCOME, PESAING, LAJU_PEN, OUTLET, PROMOSI
a.
Predictors: (Constant), PESAING, LAJU_PEN, OUTLET, PROMOSI
b.
Predictors: (Constant), PESAING, OUTLET, PROMOSI c.
Predictors: (Constant), OUTLET, PROMOSI d.
Dependent Variable: SALES e.
22
ANOVA e
22564.432 5 4512.886 36.952 .000 a
1099.168 9 122.130 23663.600 14 22561.748 4 5640.437 51.191 .000 b
1101.852 10 110.185 23663.600 14 22548.747 3 7516.249 74.161 .000 c
1114.853 11 101.350 23663.600 14 22521.299 2 11260.649 118.294 .000 d
1142.301 12 95.192 23663.600 14
Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total
Model 1
2
3
4
Sum of Squares df Mean Square F Sig.
Predictors: (Constant), INCOME, PESAING, LAJU_PEN, OUTLET, PROMOSI a.
Predictors: (Constant), PESAING, LAJU_PEN, OUTLET, PROMOSI b.
Predictors: (Constant), PESAING, OUTLET, PROMOSI c.
Predictors: (Constant), OUTLET, PROMOSI d.
Dependent Variable: SALES e.
Coefficients a
50.126 36.000 1.392 .197 2.017 .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 .156 1.960 .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 2.549 1.084 1.855 .102 .584 .572 .152 6.573 61.435 14.864 4.133 .002 2.148 .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 .000 2.342 .398 .551 5.892 .000 .459 2.177 .535 .101 .496 5.297 .000 .459 2.177
(Constant) PROMOSI OUTLET LAJU_PEN PESAING INCOME (Constant) PROMOSI OUTLET LAJU_PEN PESAING (Constant) PROMOSI OUTLET PESAING (Constant) PROMOSI OUTLET
Model 1
2
3
4
B Std. Error
Unstandardized Coefficients
Beta
Standardized Coefficients
t Sig. Tolerance VIF Collinearity Statistics
Dependent Variable: SALES a.
23
Analisis : R 2 = 1 – Tolerance, variabilitas variable 1 dipengaruhi / dapat
dijelaskan oleh predictor (variable bebas) yang lain. VIF = 1/tolerance.
Jika VIF > 5, terdapat multikolinearitas
Collinearity Diagnostics a
5.774 1.000 .00 .00 .00 .00 .00 .00 .120 6.944 .00 .01 .01 .04 .01 .13
7.567E02 8.735 .00 .00 .00 .15 .01 .26 1.701E02 18.423 .01 .05 .55 .05 .06 .02 1.108E02 22.827 .28 .13 .07 .01 .08 .54 2.452E03 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
2.342E02 14.400 .12 .17 .00 .09 .02 1.648E02 17.169 .00 .01 .62 .02 .13 2.552E03 43.623 .88 .81 .37 .75 .84
3.937 1.000 .00 .00 .00 .00 3.723E02 10.284 .48 .14 .00 .04 1.751E02 14.994 .08 .03 .46 .47 8.330E03 21.740 .44 .82 .53 .48
2.954 1.000 .00 .00 .00 3.462E02 9.237 .58 .41 .00 1.124E02 16.210 .42 .59 1.00
Dimension 1 2 3 4 5 6 1 2 3 4 5 1 2 3 4 1 2 3
Model 1
2
3
4
Eigenvalue Condition Index (Constant) PROMOSI OUTLET LAJU_PEN PESAING INCOME
Variance Proportions
Dependent Variable: SALES a.
Analisis : Eigenvalue mendekati 0, terjadi multikolinearitas. Condition Index melebihi 15, terjadi multikolinearitas,
Jika melebihi 30, sangat serius problem multikolinearitas.
Excluded Variables d
.012 a .148 .885 .049 .750 1.333 .109
.017 b .219 .831 .069 .780 1.282 .211
.037 b .343 .738 .108 .392 2.549 .132
.027 c .393 .702 .118 .885 1.130 .434 .011 c .165 .872 .050 .945 1.058 .436 .056 c .520 .613 .155 .366 2.729 .251
INCOME INCOME LAJU_PEN INCOME LAJU_PEN PESAING
Model 2 3
4
Beta In t Sig. Partial
Correlation Tolerance VIF Minimum Tolerance
Collinearity Statistics
Predictors in the Model: (Constant), PESAING, LAJU_PEN, OUTLET, PROMOSI a.
Predictors in the Model: (Constant), PESAING, OUTLET, PROMOSI b.
Predictors in the Model: (Constant), OUTLET, PROMOSI c.
Dependent Variable: SALES d.
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) benarbenar 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
LAYOUT LENGKAP HARGA MUSIK AC LAMPU PELKAR PELKASIR PROMOSI IMAGE
Wilks' Lambda F df1 df2 Sig.
Stepwise Statistics
Variables Entered/Removed a,b,c,d
MUSIK .643 sering and jarang 16.828 1 103.000 8.198E05
PROMOSI 1.002 sering and jarang 12.988 2 102.000 9.443E06
IMAGE 1.257 sering and jarang 10.758 3 101.000 3.393E06
HARGA 1.591 sering and jarang 10.117 4 100.000 6.439E07
Step 1
2
3
4
Entered Statistic Between Groups Statistic df1 df2 Sig.
Exact F
Min. D Squared
At each step, the variable that maximizes the Mahalanobis distance between the two closest groups 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 8.198E05 2 .797 2 1 103 12.988 2 102.000 9.443E06 3 .758 3 1 103 10.758 3 101.000 3.393E06 4 .712 4 1 103 10.117 4 100.000 6.439E07
Step 1 2 3 4
Number of Variables Lambda df1 df2 df3 Statistic df1 df2 Sig.
Exact F
Summary of Canonical Discriminant Functions
Eigenvalues
.405 a 100.0 100.0 .537 Function 1
Eigenvalue % of Variance Cumulative % Canonical Correlation
First 1 canonical discriminant functions were used in the analysis.
a.
Wilks' Lambda
.712 34.321 4 .000 Test of Function(s) 1
Wilks' Lambda Chisquare df Sig.
Structure Matrix
.635 .634 .457 .298 .202 .179 .123 .117 .083 .070
MUSIK PROMOSI HARGA LAMPU a
LENGKAP a
AC a
PELKASIR a
LAYOUT a
PELKAR a
IMAGE
1 Function
Pooled withingroups correlations between discriminating variables 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 Wilk’s 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
87.437 28
.000
KaiserMeyerOlkin Measure of Sampling Adequacy.
Approx. ChiSquare df Sig.
Bartlett's Test of Sphericity
29
Antiimage Matrices
.929 8.15E02 .105 2.857E03 .141 3.102E02 7.404E02 9.21E02 8.15E02 .679 9.569E02 .297 9.872E02 .153 .110 .203
.105 9.569E02 .809 .133 .108 7.32E02 .206 4.172E02 2.857E03 .297 .133 .757 .155 4.68E02 .122 2.942E02
.141 9.872E02 .108 .155 .855 4.32E02 4.929E02 .214 3.102E02 .153 7.32E02 4.68E02 4.316E02 .840 .169 3.153E02 7.404E02 .110 .206 .122 4.929E02 .169 .792 7.63E02 9.21E02 .203 4.172E02 2.942E02 .214 3.153E02 7.63E02 .849
.528 a .103 .121 3.409E03 .158 3.513E02 8.631E02 .104 .103 .513 a .129 .415 .130 .203 .150 .267 .121 .129 .624 a .170 .130 8.88E02 .257 5.034E02
3.409E03 .415 .170 .474 a .193 5.87E02 .158 3.672E02 .158 .130 .130 .193 .476 a 5.09E02 5.988E02 .252
3.513E02 .203 8.88E02 5.87E02 5.095E02 .708 a .207 3.735E02 8.631E02 .150 .257 .158 5.988E02 .207 .614 a 9.30E02
.104 .267 5.034E02 3.672E02 .252 3.735E02 9.30E02 .505 a
LAYOUT LENGKAP HARGA PELKAR PELKASIR PROMOSI IMAGE BERSIH LAYOUT LENGKAP HARGA PELKAR PELKASIR PROMOSI IMAGE BERSIH
Antiimage Covariance
Antiimage Correlation
LAYOUT LENGKAP HARGA PELKAR PELKASIR PROMOSI IMAGE BERSIH
Measures of Sampling Adequacy(MSA) a.
Factor Analysis
Communalities
1.000 .308 1.000 .577 1.000 .549 1.000 .465 1.000 .599 1.000 .548
LAYOUT LENGKAP HARGA PROMOSI IMAGE BERSIH
Initial Extraction
Extraction Method: Principal Component Analysis.
Total Variance Explained
1.829 30.488 30.488 1.829 30.488 30.488 1.217 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
Component 1 2 3 4 5 6
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
6 5 4 3 2 1
Eigenvalue
2.0
1.8
1.6
1.4
1.2
1.0
.8
.6
.4
Component Matrix a
.301 .466 .654 .386 .563 .482 .673 .111 .648 .423 .348 .654
LAYOUT LENGKAP HARGA PROMOSI IMAGE BERSIH
1 2 Component
Extraction Method: Principal Component Analysis. 2 components extracted. a.
Rotated Component Matrix a
7.304E03 .555 .331 .683 .735 9.035E02 .622 .280 .774 6.16E03
7.148E02 .737
LAYOUT LENGKAP HARGA PROMOSI IMAGE BERSIH
1 2 Component
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
Component 1 2
1 2
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
Component Plot in Rotated Space
Component 1
1.0 .5 0.0 .5 1.0
Com
ponent 2
1.0
.5
0.0
.5
1.0
bersih
image
promosi
harga
lengkap
layout
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 atributatribut tertentu Alat analisis : Hierarchical dan Kmeans Cluster Analysis Contoh kasus :
Kmeans Cluster
Quick Cluster
Initial Cluster Centers
4.50 3.20 4.60 3.20 4.40 3.00 3.10 2.90 2.00 1.00 4.90 4.30 4.90 4.30 4.30 2.00 4.10 4.50 3.00 2.00 4.90 2.00 2.10 2.10 4.40 3.00 1.60 4.70 1.50 4.50 1.40 4.40 1.00 4.20 3.50 3.30 1.00 2.00 2.70 4.70
LAYOUT LENGKAP HARGA MUSIK AC LAMPU PELKAR PELKASIR PROMOSI IMAGE
1 2 3 4 Cluster
34
Iteration History a
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
Iteration 1 2 3 4 5 6 7 8
1 2 3 4 Change in Cluster Centers
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.
a.
Final Cluster Centers
3.53 3.22 3.84 3.66 3.55 3.35 3.68 3.37 2.46 2.06 2.51 4.35 4.23 2.67 3.72 2.75 3.83 3.20 2.24 2.85 3.67 1.85 2.19 2.71 3.55 3.29 3.12 4.05 3.31 3.73 2.53 3.74 1.94 3.66 2.79 3.43 2.64 3.21 2.47 3.78
LAYOUT LENGKAP HARGA MUSIK AC LAMPU PELKAR PELKASIR PROMOSI IMAGE
1 2 3 4 Cluster
35
ANOVA
1.696 3 .622 101 2.726 .048 .667 3 .414 101 1.613 .191
29.698 3 .466 101 63.677 .000 14.235 3 .584 101 24.381 .000 11.479 3 .778 101 14.760 .000 14.655 3 .574 101 25.552 .000 4.824 3 .602 101 8.011 .000 9.042 3 .875 101 10.335 .000 14.080 3 .694 101 20.292 .000 10.281 3 .958 101 10.729 .000
LAYOUT LENGKAP HARGA MUSIK AC LAMPU PELKAR PELKASIR PROMOSI IMAGE
Mean Square df Cluster
Mean Square df Error
F Sig.
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
23.000 22.000 29.000 31.000 105.000
.000
1 2 3 4
Cluster
Valid Missing
Hierarchical Cluster
36
Cluster
Ward Linkage
Agglomeration Schedule
7 12 .705 0 0 8 8 9 1.550 0 0 7 10 11 2.495 0 0 10 1 4 3.795 0 0 6 3 5 5.125 0 0 9 1 2 6.732 4 0 8 6 8 8.467 0 2 9 1 7 11.943 6 1 11 3 6 17.445 5 7 10 3 10 26.928 9 3 11 1 3 41.544 8 10 0
Stage 1 2 3 4 5 6 7 8 9 10 11
Cluster 1 Cluster 2 Cluster Combined
Coefficients Cluster 1 Cluster 2
Stage Cluster First Appears
Next Stage
37
Cluster Membership
1 1 1 1 1 1 2 2 2 1 1 1 2 2 2 3 2 2 1 1 1 3 2 2 3 2 2 4 3 2 4 3 2 1 1 1
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 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 òûòòòòòòòø grosir 12 12 ò÷
ùòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòø grosir 1 1 òòòø ó
ó grosir 4 4 òòòüòòòòò÷
ó grosir 2 2 òòò÷
ó grosir 10 10 òûòòòòòòòòòòòòòòòòòòòòòòòòòòòòòø
ó grosir 11 11 ò÷
ùòòòòòòòòòòòòòòòòò÷ grosir 3 3 òòòûòòòòòòòòòòòòòø ó
38
grosir 5 5 òòò÷ ùòòòòòòòòòòòòò÷ grosir 8 8 òûòø ó grosir 9 9 ò÷ ùòòòòòòòòòòòòò÷ grosir 6 6 òòò÷
Materi 10 : Analisis MDS Tujuan : Menganalisis Interdependen atau ketergantungan antar variabel Alat analisis : Multidimensional Scaling Contoh kasus :
39
Derived Stimulus Configuration
Individual differences (weighted) Euclidean distance model
Dimension 1
2.0 1.5 1.0 .5 0.0 .5 1.0 1.5
Dimension 2
1.5
1.0
.5
0.0
.5
1.0
1.5
2.0
murah
jaya
lestari
laris
baru
Derived Subject Weights
Individual differences (weighted) Euclidean distance model
Dimension 1
1.0 .8 .6 .4 .2 0.0 .2
Dimension 2
.9
.8
.7
.6
.5
.4
.3
.2
8
7 6 5
4
3
2
1
40
Scatterplot of Linear Fit
Individual differences (weighted) Euclidean distance model
Disparities
3.0 2.5 2.0 1.5 1.0 .5 0.0
Distances
3.0
2.5
2.0
1.5
1.0
.5
0.0
Flattened Subject Weights
Individual differences (weighted) Euclidean distance model
One Dimensional Plot
.6 .4 .2 .0 .2 .4 .6
Variable 1
1.5
1.0
.5
0.0
.5
1.0
1.5
2.0 8
7 6
5
4
3
2
1