1. Analisis Faktor
Analisis faktor, adalah analisis untuk menentukan variable baru yang disebut faktor yang jumlahnya lebih sedikit dibandingkan dengan banyaknya variable asli dimana faktor-faktor tersebut tidak berkorelasi satu dengan yang lain (multikolonearitas). Variabel baru tersebut harus memuat sebanyak mungkin informasi yang terkandung dalam variable asli. Dalam proses mereduksi banyaknya variable, informasi yang hilang harus seminimal mungkin. 5 Variabel baru yang disebut faktor, dipergunakan untuk melakukan analisis regresi linear berganda, dengan variable-variabel bebas yang tidak lagi saling multikolinear yang merupakan syarat dari analisis regresi linear berganda. Analisis faktor terdiri dari: 1) Principal-component analysis, dan 2) Common factor analysis.
2. Analisis Klaster
Adalah analisis untuk mengelompokkan elemen yang mirip sebagai objek penelitian menjadi kelompok (cluster) yang berbeda dan saling asing (mutually exclusive). Berbeda dengan analisis diskriminan dimana kelompok sudah ditentukan, kemudian suatu fungsi diskriminan dipergunakan untuk menentuakan suatu elemen (objek) harus masuk kelompok yang mana, sebaliknya analisis klaster, kelompok (claster) dibentuk berdasarkan criteria tertentu dengan memperhatikan data yang ada yang ditunjukkan oleh bilai banyak variable.
3. Analisis Korespondensi
Digunakan untuk mengakomodasi dua hal, yaitu: a) data non metric (kualitatif, nominal dan ordinal); dan b) hubungan non linear. Dalam analisis korespondensi digunakan suatu table kontingensi, yaitu table silang (crosstab) dari dua variable kategori. Kemudian mengubah data nonmetrik (kualitatif, nominal dan ordinal) menjadi data metric (kuantitatif, interval dan rasio) dan melakukan reduksi dimensional (mirip dengan analisis faktor) dan perceptual mapping (mirip dengan analisis multidimensional).
4. Penskalaan Multidimensi
Bertujuan untuk membentuk pertimbangan atau penilaian pelanggan mengenai kemiripan (similarity) atau preferensi (perasaan lebih suka) kedalam jarak (distances) yang diwakili dalam ruang multidimensional. Jika objek A dan B dinilai pelanggan sebagai pasangan objek yang paling mirip dibandingkan dengan pasangan lain, teknik penskalaan multidimensional akan memposisikan objek A dan B sedemikian rupa sehingga jarak antar objek dalam ruang multidimensional akan lebih pendek/kecil dibandingkan dengan jarak pasangan objek yang lainnya.
No comments:
Post a Comment