Teknik Analisis Multivariat (skripsi dan tesis)

Terdapat tiga jenis teknik dalam analisis multivariate, yaitu : (1). Teknik dependent, (2). Teknik interdependent, dan (3). Teknik persamaan structural (structural model). Teknik dependen yaitu jika variabel dependen dipengaruhi oleh variabel independen. Sedangkan teknik interdependen yaitu jika semua variabel saling berpengaruh. Dengan kata lain, dalam teknik interdependen semua variabel adalah independen. Sedangkan teknik structural model atau Structural Equation Modeling (SEM) menganalisis variabel dependen dan independen secara simultan. Untuk memilih jenis analisis multivariat yang akan digunakan dalam penelitian, peneliti terlebih dahulu memperhatikan jenis pengukuran data dari variabel yang diteliti. Jenis data dari variabel yang diteliti dengan analisis multivariat dapat bersifat kuantitatif atau kualitatif. Data kuantitatif dapat langsung dihitung. Menurut Widarjono (2010:2) variabel kuantitatif adalah data yang dilaporkan dalam bentuk angka atau metrik (metric number). Variabel yang diukur dengan cara ini disebut variabel yang mempunyai data metric. Contoh beberapa data metric : jumlah mahasiswa dalam satu kelas. jumlah unit mobil yang dipajang di show room, umur seseorang, gaji pegawai, berat badan seseorang, keuntungan perusahaan, jumlah pelanggan dan harga saham. Sedangkan data kualitatif tidak dapat langsung dihitung seperti pendapat pelanggan tentang kepuasan pelayanan. Data yang berasal dari variable behavioral bersifat kualitatif. Data kualitatif diukur dengan teknik penskalaan (scaling technique). Teknik skala yang terkenal adalah Skala Likert, yang dikembangkan oleh Rensis Likert. Variabel kualitatif adalah data yang dilaporkan tidak dalam bentuk angka atau non metrik (non metric). Variabel yang diukur dengan cara ini disebut variabel yang mempunyai data non metric. Data kualitatif diukur dalam bentuk atribut atau karakteristik. Sering juga disebut data kategori, karena memiliki karakteristik beberapa kategori.

Konsep Analisis Statistik Mulivariat (skripsi dan tesis)

Menurut Widarjono (2010:1) analisis multivariat merupakan salah satu analisis statistik yang berkaitan dengan banyak variabel. Analisis statistik bisa dikelompokkan berdasarkan jumlah variable, yaitu : univariate, bivariate dan multivariate.

1. Analisis Univariate 

Kata univariate terbentuk dari kata uni (satu) dan variate (variable), sehingga analisis univariat adalah analisis satu variabel. Contoh analisis univariat adalah pengukuran rata-rata (mean), standar deviasi dan varian sebagai ukuran pusat dari sekelompok data. Jadi analisis univariate lebih bersifat analisis tunggal terhadap satu variabel. Menurut Supranto (2010:7) kalau nasabah suatu bank ditanya tentang jumlah tabungannya, penghasilan per bulan, umur, tingkat pendidikan dan jumlah anggota keluarga maka diperoleh lima variabel yang berdiri sendiri dan tidak dikaitkan dengan variabel lain. Jadi analisis disebut univariat jika setiap variabel berdiri sendiri tidak terkait dengan variabel lain. Analisis terhadap variabel tunggal ini disebut univariate. Dengan demikian analisis univariat boleh saja dikatakan sebagai analisis statistik deskriptif. Dalam statistika dikenal istilah statistik deskriptif dan inferensial. Statistik deskriptif berfungsi mendeskripsikan karakteristik dari sekelompok hasil data penelitian terhadap variabel tunggal. Sedangkan statistik inferensial berusaha menyimpulkan fenomena atau hubungan-hubungan antara lebih dari satu variabel pada sebuah persamaan statistik. 

2. Analisis Bivariat

Kata bivariate berasal dari kata bi (dua) dan variate (variable), sehingga analisis bivariate berkaitan dengan dua variabel. Misalnya analisis korelasi yang mencari keeratan hubungan antara dua variable exogen dan endogen. Menurut Sunyoto (2007:31) pengukuran korelasi bivariat dapat dibedakan menjadi pengukuran secara linear (termasuk parsial) dan secara berganda (multiple). Yang dimaksud dengan pengukuran korelasi linear adalah pengukuran atau perhitungan korelasi yang hanya melibatkan satu variable bebas (independent atau X) dan satu variable terikat (dependent atau Y). Sedangkan pengukuran korelasi berganda adalah perhitungan korelasi dengan melibatkan lebih dari satu variabel independent (bebas) dengan satu variabel dependent (terikat). Analisis multivariate berasal kata multi (banyak) dan variate (variable), sehingga analisis multivariate adalah analisis terhadap banyak variable yang merupakan pengembangan dari analisis univariate dan bivariate. 

3. Analisis multivariate

Analisis multivariate memiliki lebih dari dua variabel. Supranto (2010:18) mengilustrasikan analisis multivariate dengan adanya masalah atau gap yang disebabkan oleh tidak adanya kesesuaian antara harapan (expected) dan kenyataan (observed). Setiap masalah pasti ada BAB II 18 Analisis Multivariat faktor-faktor penyebab (pada umumnya lebih dari satu penyebab). Kalau masalah kita sebut variabel dependen (Y) dan faktor penyebab kita sebut variabel bebas (X) maka masalah (Y) adalah fungsi dari X1, X2, X3….… Xn. Fenomena ini disebut fenomena multivariate. Dengan demikian, analisis multivariate ini merujuk kepada teknik statistik tertentu yang menganalisis banyak variabel secara simultan. Contoh analisis multivariat adalah Structural Equation Modeling (SEM) yang akhir-akhir ini berkembang pesat

Regresi berganda (skripsi dan tesis)

Adalah metode yang tepat dipergunakan untuk masalah penelitian yang melibatkan satu variable tak bebas Y yang datanya berbentuk skala interval/rasio (kuantitatif) yang mempengaruhi atau terkait dengan lebih dari satu variable bebas X yang skala pengukurannya nominal/ordinal (kualitatif) maupun interval/rasio (kuantitatif). Tujuannya untuk memperkirakan/meramalkan nilai Y, jika semua variable bebas diketahui nilainya. Persamaan regresi linear berganda dibentuk dengan menggunakan metode kuadrat terkecil (least square method). Selain itu juga untuk mengetahui besarnya pengaruh dari setiap variable bebas yang terdapat dalam persamaan.

Analisis Kovarian (Analysis of covariance/Ancova ) (skripsi dan tesis)

 Bertujuan untuk mengetahui perbedaan tentang nilai rata-rata dari variable tak bebas terkait dengan pengaruh dari variable bebas terkontrol. Variabel bebas yang kategori (nonmetrik: nominal dan ordinal) disebut faktor sedangkan variable bebas yang metric (interval atau rasio) disebut kovariat. Penggunaan kovariat untuk menyingkirkan (to remove) variasi yang tidak ada hubungannya (extraneous variation) dengan variable tak bebas oleh karena pengaruh (efek) dari faktor yang dianggap lebih penting. Variasi pada variable takbebas disebabkan oleh adanya kovariat disingkirkan melalui suatu penyesuaian (adjustment) terhadap nilai rata-rata variable tak bebas di dalam setiap kondisi treatment atau perlakuan (kategori/level). Signifikansi efek baik gabungan dari kovariat maupun efek dari setiap kovariat sebagai individu, diuji dengan criteria F yang tepat. Koefisien untuk kovariat memberikan pendalaman (provide insights) tentang efek atau pengaruh yang kovariat digunakan (exert) pada variable tak bebas Y. Analisis kovarian merupakan analisis yang paling tepat untuk faktor / variable bebasnya berbentuk kategori atau data nonmetrik, yaitu data beskala nominal atau ordina.

Jenis Multidimensional Scalling (skripsi dan tesis)

Berdasarkan skala pengukuran dari data kemiripan, MDS dibedakan atas:

a. MDS berskala metrik 

Multidimensional scaling (MDS) metrik mengasumsikan bahwa data adalah kuantitatif (interval dan ratio). Dalam prosedur MDS metrik tidak dipermasalahkan apakah data input ini merupakan jarak yang sebenarnya atau tidak, prosedur ini hanya menyusun bentuk geometri dari titik-titik objek yang diupayakan sedekat mungkin dengan input jarak yang diberikan. Sehingga pada dasarnya adalah mengubah input jarak atau metrik kedalam bentuk geometrik sebagai outputnya.

 b. MDS bersakala nonmetrik 

Multidimesional scaling nonmetrik mengasumsikan bahwa datanya adalah kualitatif (nominal dan ordinal). Pada kasus ini perhitungan kriteria adalah untuk menghubungkan nilai ketidaksamaan suatu jarak ke nilai ketidaksamaan yang terdekat. Program MDS nonmetrik menggunakan transformasi monoton (sama) ke data yang sebenarnya sehingga dapat dilakukan operasi aritmatika terhadap nilai ketidaksamaannya, untuk menyesuaikan jarak dengan nilai urutan ketidaksamaanya. Transformasi monoton akan memelihara urutan nilai ketidaksamaannya sehingga jarak antara objek yang tidak sesuai dengan urutan nilai ketidaksamaan dirubah sedemikian rupa sehingga akan tetap memenuhi urutan nilai ketidaksamaan tersebut dan mendekati jarak awalnya. Hasil perubahan ini disebut disparities. Disparities ini digunakan untuk mengukur tingkat ketidaktepatan konfigurasi objek-objek dalam peta berdimensi tertentu dengan input data ketidaksamaannya. Pendekatan yang sering digunakan saat ini untuk mencapai hasil yang optimal dari skala non metrik digunakan „Kruskal’s Least-Square Monotomic Transformation” dimana disparities merupakan nilai rata-rata dari jarak-jarak yang tidak sesuai dengan urutan ketidaksamaanya. Informasi ordinal kemudian dapat diolah dengan MDS nonmetrik sehingga menghasilkan konfigurasi dari objek-objek yang yang terdapat pada dimensi tertentu dan kemudian agar jarak antara objek sedekat mungkin dengan input nilai ketidaksamaan atau kesamaannya. Koordinat awal dari setiap subjek dapat diperoleh melalui cara yang sama seperti metoda MDS metrik dengan asumsi bahwa meskipun data bukan jarak informasi yang sebenarnya tapi nilai urutan tersebut dipandang sebagai variabel interval.

Prinsip Dasar dan Tujuan Analisis (skripsi dan tesis)

 Analisis Multidimensional Scalling (MDS) merupakan salah satu teknik peubah ganda yang dapat digunakan untuk menentukan posisi suatu obyek lainnya berdasarkan penilaian kemiripannya. MDS disebut juga Perceptual Map. MDS berhubungan dengan pembuatan map untuk menggambarkan posisi sebuah obyek dengan obyek lainnya berdasarkan kemiripan obyek-obyek tersebut. MDS juga merupakan teknik yang bisa membantu peneliti untuk mengenali (mengidentifikasi) dimensi kunci yang mendasari evaluasi objek dari responden (pelanggan). Konsep dan ruang lingkup penskalaan multidimensional (multidimensional scaling=MDS) dalam riset pemasaran dan menguraikan berbagai aplikasinya; menguraikan langkah-langkah yang harus dilalui di dalam penskalaan multidimensional tentang data persepsi, meliputi perumusan masalah, mendapatkan data input, memilih prosedur MDS, memutuskan banyaknya dimensi, memberikan interpretasi kepada konfigurasi (configuration) dan memberikan penilaian (to asses) keandalan dan kesahihan (reability and validity), menjelaskan penskalaan data preferensi; menjelaskan analisis korespondensi dan kebaikan serta kelemahannya; memahami hubungan antar MDS, analisis diskriminan, dan analisis faktor. MDS dapat menentukan: 1. Dimensi apa yang dipergunakan oleh responden ketika mengevaluasi objek. 2. Berapa dimensi yang akan dipergunakan untuk masalah yang dihadapi (sedang diteliti). 3. Kepentingan relatif dari setiap dimensi. 4. Bagaimana objek dikaitkan atau dihubungkan secara perseptual? Dua teknik yang terkait untuk menganalisis persepsi dan preferensi pelanggan ialah analisis penskalaan multidimensional dan analisis konjoin (multidimensional scaling and conjoint analysis). Namun di dalam makalah ini akan ditunjukkan langkah-langkah yang diperlukan untuk melakukan analisis penskalaan dimensional. MDS digunakan untuk mengetahui hubungan interdepensi atau saling ketergantungan antar variabel atau data. Hubungan ini tidak diketahui melalui reduksi ataupun pengelompokan variabel, melainkan dengan membandingkan variabel yang ada pada setiap obyek yang bersangkutan dengan menggunakan perceptual map. Konsep dasar MDS adalah pemetaan. Analisis penskalaan multidimensional ialah suatu kelas prosedur untuk menyajikan persepsi dan preferensi pelanggan secara spasial dengan menggunakan tayangan yang bisa dilihat ( a visual display). Persepsi atau hubungan antara stimulus secar psikologis ditunjukkan sebagai hubungan geografis antara titik-titik di dalam suatu ruang multidimensional. Sumbu dari peta spasial diasumsikan menunjukkan dasar psikologis (phychological basis) atau dimensi yang mendasari (underlying dimensions) yang dipergunakan oleh pelanggan/ responded untuk membentuk persepsi dan preferensi untuk stimulus. Analisis penskalaan multidimensional dipergunakan didalam pemasaran untuk mengenali (mengidentifikasi), hal-hal berikut.

1. Banyaknya dimensi dan sifat/ cirinya yang dipergunakan untuk mempersepsikan merek yang berbeda di pasar. 

2. Penempatan (positioning) merek yang diteliti dalam dimensi ini. 

3. Penempatan merek ideal dari pelanggan dalam dimensi ini.

 Informasi sebagai hasil analisis penskalaan multidimensional telah dipergunakan untuk berbagai aplikasi pemasaran, antara lain sebagai berikut. 

1. Ukuran citra (image measurement). Membandingkan persepsi pelanggan dan bukan pelanggan dari perusahaan dengan persepsi perusahaan sendiri.

 2. Segmentasi pasar (market segmentation).

 3. Pengembangan produk baru (new product development). Melihat adanya celah (gap) dalam peta spasial, yang menunjukkan adanya peluang untuk penempatan produk baru. Juga untuk mengevaluasi konsep produk baru dan merek yang sudah ada on a test basis untuk menentukan bagaimana pelanggan mempersepsikan/ memahami konsep baru. Proporsi preferensi untuk setiap produk baru merupakan satu indikator keberhasilannya (maksudnya satu jenis produk tertentu banyak yang menyenanginya/ menggemarinya daripada produk lainnya). 

4. Menilai keefektifan iklan (assesing advertising effectiveness). Peta spasial bisa dipergunakan untuk menentukan apakah iklan/ advertensi telah berhasil di dalam mencapai penempatan merek yang diinginkan (misalnya dari posisi nomor 3 ke nomor 2 atau dari nomor 2 ke nomor 1).

 5. Analisis harga (pricing analysis) Peta spasial dikembangkan dengan dan tanpa informasi harga dapat dibandingkan untuk menentukan dampak yang ditimbulkan harga

. 6. Keputusan saluran (channel decisions). Pertimbangan pada kecocokan (compatibility) dari merk toko dengan eceran yang berbeda dapat mengarah ke peta spasial yang berguna untuk keputusan saluran. 

7. Pembentukan skala sikap (attitude scale construction). Teknik penskalaan multidimensional dapat dipergunakan untuk mengembangkan the appropriate dimensionality and configuration of the attitude space

Teknik dalam MDS (skripsi dan tesis)

Menurut (Gudono, 2014), ada beberapa jenis algoritma MDS dan oleh karena itu jenis MDS dapat diklasifikasikan ke dalam beberapa kategori. Berikut adalah MDS berdasarkan skala pengukuran yang terbagi menjadi dua yaitu:

1. MDS Metrik

Data yang digunakan dalam MDS metrikadalah data rasio. Tujuan MDS metric adalah untuk mendapat konfigurasi titik-titik data dalam ruang multidimensi yang kedekatan (proximity) jaraknya menunjukkan kesamaan dengan data observasi.

2. MDS Nonmetrik

Tujuan MDS nonmetrik adalah untuk menetapkan hubungan nonmonotonik antara jarak antar titik dengan kesamaan yang diobservasi. Keunggulan MDS nonmetric adalah bahwa teknik ini tidak membutuhkan asumsi mengenai fungsi transformasi yang mendasarinya. Satu-satunya asumsi yang diperlukan hanyalah bahwa data yang diolah merupakan data ranking (atau ordinal).