BUKU_MULTIVARIATE DATA ANALISIS DAN NONPARAMETRIK STATISTIK UNTUK PENELITIAN BIDANG MANAJEMEN

From the SelectedWorks of priyono iyon priyono management

Spring March 12, 2013

BUKU_MULTIVARIATE DATA ANALISIS DAN NONPARAMETRIK STATISTIK UNTUK PENELITIAN BIDANG MANAJEMEN HMS. IDRUS IDRUS, management, MANAJEMEN UNIVERSITAS BRAWIJAYA

This work is licensed under a Creative Commons CC_BY International License.

Available at: https://works.bepress.com/priyono_priyono/63/

MULTIVARIATE DATA ANALISIS DAN NONPARAMETRIK STATISTIK UNTUK PENELITIAN BIDANG MANAJEMEN

Oleh : M. S. Idrus

MULTIVARIATE DATA ANALISIS DAN NONPARAMETRIK STATISTIK UNTUK PENELITIAN BIDANG MANAJEMEN

Penulis : M. S. Idrus © 2013

Diterbitkan Oleh:

Jl. Taman Pondok Jati J 3, Taman Sidoarjo Telp/fax : 031-7871090 Email : [email protected] Cetakan Pertama, September 2013 Ukuran buku : 15.5 cm x 23 cm, 231 hal Layout & Desain Cover : Miftakhul Jannah ISBN :

...-...-.....-.-.

Hak Cipta dilindungi undang-undang. Dilarang memperbanyak atau memindahkan sebagian atau seluruh isi buku ke dalam bentuk apapun, secara elektronis maupun mekanis, termasuk fotokopi, merekam, atau dengan teknik perekaman lainnya, tanpa izin tertulis dari Penerbit. Undang-Undang Nomor 19 Tahun 2000 tentang Hak Cipta, Bab XII Ketentuan Pidana, Pasal 72, Ayat (1), (2), dan (6)

2

KATA PENGANTAR

Materi ini dipersiapkan dalam rangka peningkatan kemampuan Mahasiswa Program Magister dan Program Doktor yang sedang melakukan penelitian dibidang Manajemen. Kemampuan tersebut terkait dengan kemampuan analisis kuantitative baik dengan menggunakan multivariate data analisis maupun dengan penggunaaan analisa non-parametika dibidang management. Penulis telah lama mempersiapkan materi ini, dan telah di uji coba didalam kelas pada saat penulis mengajarkannya. Textbook utama yang terkait dengan bahan ini adalah : 1. Hair J.E., Anderson R.E., Tatam R.L., dan Black W.C., edisi tahun 1998, atau 2006 Multivariate Data Analysis 5th atau 6th edition, Prentice Hall International, London. 2. Hair J.E., Black W C, Babin B J, dan Anderson R.E, 7ed, 2010, Multivariate Data Analysis , Prentice Hall International, London 3. Malhotra, N, Marketing Research–Applied Orientation, 3rd (1999) atau 4th (2004) atau 6th ed, 2010. Prentice Hall International London. Materi ini juga mengkombinasikan Multivariate data analisis dengan memanfaatkan beberapa software statistik a.l. : 1) SPSS for Window ver 11.5. 12 hingga 21 2) Amos ver 4.01 hingga 21 (paket Stuctural Equation Modelling) 3) LISREL ver. 8.30 4) MINITAB ver 13.2 – 2001 (untuk Forecasting) Penulis berterima kasih kepada Sdr. Dr. Priyono MS yang bersedia melakukan koreksi agar materi ini dapat diterbitkan dengan baik, dan tepat pada waktunya. Kepada semua pihak penulis mengucapkan terima kasih atas perhatiannya, segala kritik dan saran akan kami perhatikan.

M. S Idrus i

DAFTAR ISI Kata Pengantar .....................................................

Hal. ii

Daftar Isi ...............................................................

iii

Daftar file yang dipergunakan .........................................

iv

No. Bab 1. 2. 3.

Perkenalan dengan SPSS ..................................... Frequency .............................................................. Cross Tabulasi ........................................................

6 9 15

4.

- Contoh lainnya ( hal.19) ANOVA ...................................................................

25

- Contoh lainnya (hal.27) 5. 6. 7. 8.

- Contoh ketiga (hal 29) N – way ANOVA ..................................................... Analysis of Covariance .......................................... Correlation ............................................................. Bivariate dan Multiple regression analysis................

35 38 40 44

9.

Regression with dummy dependent variabel......

48

- LPM (hal 48) - LOGIT MODEL (HAL 53) 10. 11. 12. 13. 14.

ii

- PROBIT DAN NORMIT MODEL (HAL 56) Discriminant Analysis ......................................... Factor Analysis ...................................................... Cluster Analysis .................................................... Multidimensional Scaling ...................................... Conjoint Analysis (dengan MINITAB dan Systat dan SPSS ).................

61 70 82 88 97

15. 16.

Path Analysis .......................................................... Structural Equation Model ...................................

116 119

16.1. LISREL 8.0 (hal. 119) 16.2. AMOS 4.01 s/d AMOS 21 (hal 131) 16.3. GESCA (hal 142)

17.

Non-parametrik Statistik ......................................

155

17.1 Uji Binomial (hal.159) 17.2. Uji Run Test (hal 163) 17.3. Wilcoxon T test – signed test (hal.165) 17.4. Mann-Whitney U test (hal.167) 17.5. Cross Tabulasi – χ2 –test (hal.169) 17.6. χ2 – test beda 17.7. Anova (hal. 174)

proporsi

(hal. 172)

Daftar Pustaka ......................................................

Lampiran penggunaan uji t, Z, F, c

2

test dengan

MINITAB ............................ Lampiran tabel statistik…t, Z, χ2, F, d-w , serta Tabel K_S dan penggunaannya .................................. Lampiran model prilaku konsumen dan Prilaku Organisasi , serta Pengertian and komponent teori..........

177 179 195 205

iii

DAFTAR FILE DATA YANG DIPERGUNAKAN Jika kita menggunakan data pada Malhotra edisi 1996, 1999, 2004, daftar data yang dipergunakan sebagai berikut (data dapat di download pada textbook Malhotra) :

No.

Model analisis

File 1996

File 1999

File2004

1.

Frequency

M516

MP565

01_frequency_ p428

2.

Cross Tabulation Dan ANOVA

Correlation 3. 4. Regression –bivariate Regression 5. Multivariate Discriminant 6. Analysis

1. MP447 M554

2. MP554Anova

02_data_anova_ p474

3. MP114anova M577 M577

MP522 MP528

M577

MP541

M622

MP565

04_discriminant_ p538 05_factoranalysis_ p563

7.

Factor Analysis

M649

MP590

8.

Cluster Analysis

M676

MP616

9.

Multidimensional Scaling

M699

MP639

10.

Conjoint Analysis*

M710

MP653

03_correlasi_ regressi_p498

06_cluster_ analysis_p590 07_ multidimensional_ scaling_p614 M_627_CA

Agusty_model 11.

iv

Path analysis

Hadiutomo_ model

12.

Non-Parametrik

v

BAB

01

Perkenalan dengan Paket SPSS 11.5 atau 21 serta – AMOS 4.0 s/d 21:

Tampilan Sofwares berikut untuk melihat paket multivariate data analisis apa saja yang tersedia pada softwares tersebut. Biasanya para peneliti / mahasiwa program S2 dan S3 membutuhkan alat untuk melakukan analisis seperti : (1) Frequenciy, (2) Cross Tabulasi, (3) ANOVA,N – (4) way ANOVA, (5) Analysis of Covariance , (6) Correlation, Bivariate (7) Multiple Regression (8) Regression with dummy dependent variabel, (9) Discriminant Analysis, (10) Factor Analysis, (11) Cluster Analysis, (12) Multidimensional Scaling (13) Conjoint Analysis (diselesaikan dengan software MINITAB, SYSTAT atau SPSS (14) Path Analysis dan (15) Structural Equation Model (baik dengan LISREL, AMOS, maupun GESCA). Tampilan paket SPSS 11.5 sbb:

6

Tampilan SPSS 21 :

7

Tampilan AMOS 21 :

Dengan memperhatikan softwares diatas, terdapat 15 (lima belas) tehnik analisis yang dapat dipergunakan.

8

BAB

02

Frequency

Frequency, bagian dari descriptive statistics yang dipergunakan untuk meringkaskan (summarize) data seperti mencari rata-rata, nilai maximum dan minimun, standard deviasi, range dan yang sejenisnya. Misalkan kita mempunyai data yang disadur dari Malhotra, 1999, halaman 565 (Malhotra,1999) (atau file MP565.sav atau 04_ discriminant_p583 pada Malhotra, edisi 2004) sbb : Data Asli sebanyak 30 sample sebagai berikut :

Prosedure dan hasil analisis frequency ini adalah sebagai berikut dengan prosedure sbb : Tahapan yg harus dilakukan adalah : a. Panggil Paket ‘frequency pada descriptive statistic’ sbb :

9

b. Cari Nilai nilai yang diinginkan misalnya rata-rata,SD, Range, Max dan Min dan terkait dengan informasi frequency :

c. Hasil yang diinginkan misalnya rata-rata,SD, Range, Max dan Min dan terkait dengan informasi frequency sebagai berikut (untuk memasukkan hasil / output SPSS versi 10.05 – cukup di ‘cut atau copy’ pada ‘output.spo’ spss’ kemudian di ‘paste’ pada file word yang diinginkan) :

N

10

Valid

Income ($1000)

Attitude toward travel

Importance attached to family vacation

household size

Age of head of household

30

30

30

30

30

Missing

0

0

0

0

0

Mean

51,2167

4,8667

4,9333

3,5667

51,9333

Std. Error of Mean

2,3361

,3611

,3834

,2430

1,5654

Median

49,7500

5,0000

5,0000

3,0000

54,0000

Mode

57,00

5,00

5,00

2,00

57,00

Std. Deviation

12,7952

1,9780

2,0998

1,3309

8,5740

Variance

163,7180 3,9126

4,4092

1,7713

73,5126

Skewness

,350

-,461

-,145

,411

-,285

Std. Error of Skewness

,427

,427

,427

,427

,427

Kurtosis

-,960

-,637

-1,097

-,964

-,631

Std. Error of Kurtosis

,833

,833

,833

,833

,833

Range

42,90

7,00

7,00

4,00

32,00

Minimum

32,10

1,00

1,00

2,00

36,00

Maximum

75,00

8,00

8,00

6,00

68,00

Sum

1536,50

146,00

148,00

107,00

1558,00

a Multiple modes exist. The smallest value is shown

Dengan menggunakan Data Frequency pada halaman 428 Malhotra – 2004 (01_frequency_p428) sbb :

11

Data diberi Label untuk sebagai berikut :

12

Analisa dengan frequency sbb :

13

Output hasil analisis ini sbb : Familiarity (fam)

Frequency

Percent

Valid Percent

Cumulative Percent

2,00

2

6,7

6,9

6,9

3,00

6

20,0

20,7

27,6

4,00

6

20,0

20,7

48,3

5,00

3

10,0

10,3

58,6

6,00

8

26,7

27,6

86,2

very familiar (7)

4

13,3

13,8

100,0

Total

29

96,7

100,0

9,00

1

3,3

30

100,0

Valid

Missing Total

14

BAB

03

Cross Tabulation

Misalkan akan disusun sebuah tabel hubungan antara internet usage (jam / minggu) dengan jenis kelamin (Cross-Tabulation data yang dipergunakan ( Data 02_data_anova_p474)) sbb :

Procesnya sbb :

Statistics yang diinginkan adalah : (Chi-Square, C- Contingncy, Phi, Lamda yang mununjukkan adanya hubungan antara Jenis Kelamin dengan Penggunaan Internet (dalam Jam)

15

Hasilnya sbb : Internat Usage hours per week (iu) * Sex Crosstabulation

Sex

Internat Usage hours per week

(iu)

2,00

3,00

Male (1)

Famale (2)

Count

0

4

4

Expected Count

2,0

2,0

4,0

% within Internat Usage hours per week (iu)

,0%

100,0%

100,0%

% within Sex

,0%

26,7%

13,3%

% of Total

,0%

13,3%

13,3%

Count

1

4

5

Expected Count

2,5

2,5

5,0

% within Internat Usage hours per week (iu)

20,0%

80,0%

100,0%

% within Sex 4,00

5,00

16

Total

6,7%

26,7%

16,7%

% of Total

3,3%

13,3%

16,7%

Count

2

2

4

Expected Count

2,0

2,0

4,0

% within Internat Usage hours per week (iu)

50,0%

50,0%

100,0%

% within Sex

13,3%

13,3%

13,3%

% of Total

6,7%

6,7%

13,3%

Count

2

0

2

Expected Count

1,0

1,0

2,0

% within Internat Usage hours per week (iu)

100,0%

,0%

100,0%

% within Sex

13,3%

,0%

6,7%

% of Total

6,7%

,0%

6,7%

6,00

Count

0

5

5

Expected Count

2,5

2,5

5,0

% within Internat Usage hours per week (iu)

,0%

100,0%

100,0%

% within Sex

,0%

33,3%

16,7%

% of Total

,0%

16,7%

16,7%

Internat Usage hours per week (iu) * Sex Crosstabulation (lanjutan) 8,00

Internat Usage hours per week (iu)

9,00

13,00

14,00

Count

1

0

1

Expected Count

,5

,5

1,0

% within Internat Usage hours per week (iu)

100,0%

,0%

100,0%

% within Sex

6,7%

,0%

3,3%

% of Total

3,3%

,0%

3,3%

Count

3

0

3

Expected Count

1,5

1,5

3,0

% within Internat Usage hours per week (iu)

100,0%

,0%

100,0%

% within Sex

20,0%

,0%

10,0%

% of Total

10,0%

,0%

10,0%

Count

2

0

2

Expected Count

1,0

1,0

2,0

% within Internat Usage hours per week (iu)

100,0%

,0%

100,0%

% within Sex

13,3%

,0%

6,7%

% of Total

6,7%

,0%

6,7%

Count

2

0

2

Expected Count

1,0

1,0

2,0

17

% within Internat Usage hours per week (iu)

100,0%

,0%

100,0%

% within Sex

13,3%

,0%

6,7%

% of Total

6,7%

,0%

6,7%

Count

2

0

2

Expected Count

1,0

1,0

2,0

% within Internat Usage hours per week (iu)

100,0%

,0%

100,0%

% within Sex

13,3%

,0%

6,7%

% of Total

6,7%

,0%

6,7%

15,00

Total

Count

15

15

30

Expected Count

15,0

15,0

30,0

% within Internat Usage hours per week (iu)

50,0%

50,0%

100,0%

% within Sex % of Total

100,0%

100,0%

100,0%

50,0%

50,0%

100,0%

Hasil statistik lainnya : Value Nominal by Nominal

Ordinal by Ordinal

18

Asymp. Std. Error(a)

Approx. T(b)

Approx. Sig.

Phi

,872

,007

Cramer’s V

,872

,007

Contingency Coefficient

,657

,007

Kendall’s tau-b

-,546

,095

-5,639

,000

Kendall’s tau-c

-,724

,128

-5,639

,000

Gamma

-,751

,125

-5,639

,000

Spearman Correlation

-,633

,111

-4,321

,000(c)

Interval by Interval

Pearson’s R

-,647

Measure of Agreement

Kappa

.(d)

N of Valid Cases

,092

-4,492

,000(c)

30

a Not assuming the null hypothesis. b Using the asymptotic standard error assuming the null hypothesis. c Based on normal approximation. d Kappa statistics cannot be computed.They require a symmetric 2-way table in which the values of the first variable match the values of the second variable.

Contoh lain dari Cross Tabulasi Misalkan kita ingin mengetahui apakah semakin lama seseorang tinggal disuatu tempat (Length of residence) ada kaitannya dengan semakin mengenal (familiarity dengan tempat tersebut :

Length of residence Familiarity

< 13 th (1)

Unfamiliar (1) 45 Familiar (2) Total Column

52 97

13-30 thn (2)

>30 th (30)

Total Row

34

55

134

53 87

27 82

132 266

Tabel diatas kemudian di masukkan dan disimpan ke file SPSS dengan susunan baris dan kolom ‘mp447.sav’ sbb :

19

Prosedure ANOVA sbb : Step

Langkah yang dilakukan

1.

Data – di weigthed – lihat menu DATA

Statistics – cari : ¨ Summary 2.

¨ Kemudian Cross-Tabs

Variabel yg dimanipulasi Misalkan pada file 516anv.sav atau mp447.sav adalah variabel FREQUECY Pada Cross tabs : ¨ Row = famirty ¨ Colum = residnce ¨ Layer = 0 (karena data frequency yg digunakan)

Perintah ‘weighted cases’ pada ‘data’ sbb :

20

Perintah ‘Cross Tabulasi’ pada ‘descriptive statistics’ sbb:

Hasilnya sebagai berikut : Familiarity * Length of Residence Crosstabulation

21

Length of Residence

Familiarity unfamilier

Familiar

Total

22

< 13 year

13-20 year

>30 years

Total

Count

45

34

55

134

Expected Count

48,9

43,8

41,3

134,0

% within Familiarity

33,6%

25,4%

41,0%

100,0%

% within Length of Residence

46,4%

39,1%

67,1%

50,4%

% of Total

16,9%

12,8%

20,7%

50,4%

Count

52

53

27

132

Expected Count

48,1

43,2

40,7

132,0

% within Familiarity

39,4%

40,2%

20,5%

100,0%

% within Length of Residence

53,6%

60,9%

32,9%

49,6%

% of Total

19,5%

19,9%

10,2%

49,6%

Count

97

87

82

266

Expected Count

97,0

87,0

82,0

266,0

% within Familiarity

36,5%

32,7%

30,8%

100,0%

% within Length of Residence

100,0%

100,0%

100,0%

100,0%

% of Total

36,5%

32,7%

30,8%

100,0%

Chi-Square Tests

Value

df

Asymp. Sig. (2-sided) ,001 ,001 ,009

14,201 2 Likelihood Ratio 14,430 2 Linear-by-Linear Association 6,895 1 N of Valid Cases 266 a 0 cells (,0%) have expected count less than 5. The minimum expected count is 40,69. Pearson Chi-Square

Hasil Statitistik lainnya adalah : Symmetric Measures Value Nominal by Nominal

Ordinal by Ordinal

Interval by Interval



N of Valid Cases

Asymp. Std. Error

Approx. T

Approx. Sig.

Phi

,231

,001

Cramer’s V Contingency Coefficient Kendall’s tau-b Kendall’s tau-c Gamma Spearman Correlation

,231

,001

,225

,001

Pearson’s R

-,148

,057

-2,590

,010

-,171

,066

-2,590

,010

-,251

,094

-2,590

,010

-,157

,061

-2,587

,010

-,161

,060

-2,656

,008

266

a Not assuming the null hypothesis. b Using the asymptotic standard error assuming the null hypothesis. c Based on normal approximation.

23

∑

1. χ2 =

(Chi Square) à untuk menguji apakah ada

assosiasi antara observed variabel

fe = expected cell frequencies à fe =

yang akan dihitung

(nc*nr)/n dimana

cell

nilai fe (pada baris dan kolom ke ij à nc = total nilai pada kolom. nr = julah nilai pada baris dan n = total sample fo = observed cell frequencies

2. ɸ

√

=

row and 2 column

( phi) à menguji strength association dari 2

3. C

=

√

4. V

=

√ atau v = √

(Contingency Coefficient) à

menguji strength of association in a table in any size.

correlation association yang digunakan untuk table lebih besar dari 2x2

5. Tau-b, c dan gamma, untuk mengukur dua ordinal-level variabel

24

BAB

04

ANOVA (One -Way analysis of Variance)

Analisis ANOVA digunakan untuk melihat pengaruh dan hubungan antara Dependent variabel (penjualan) dengan independent yg ber kategori misalnya penjualan dengan tingkat promosi rendah, sedang dan tinggi, dan independent variabel pemberian kupon juga berkategori (dengan kupon $20 dan tanpa kupon). Apabila ada pengaruhnya maka ada perbedaan hasil penjualan akibat adanya promosi saja atau pemberian kupon saja. 1.1. Misalkan Stuktur data, dan penjualan dilakukan pada 5 departement store (30 data) sbb Promotion Level Coupun Level High Medium Low (kode 1) (kode 2) (kode3) 1.1 (nilai With $20 coupun - kode 1 penjua1.2 1.3 lan) Without - kode 2 2.1 2.2 2.3 data yang dipergunakan disimpan pada file (data 02_data_

anova_p474), dimana

25

Tahapan analisis sebagai berikut : Klik Analyse à Compare mean > one-way anova) sbb :

26

27

Hasilnya sbb : Descriptives Sales normalized - by number of traffic scaled 1 to 10

N

Mean

Std. Deviation

Minimum

Maximum

High (1)

10

8,3000

1,33749

6,00

10,00

Medium (2

10

6,2000

1,75119

4,00

9,00

low promotion (3)

10

3,7000

2,00278

1,00

7,00

Total

30

6,0667

2,53164

1,00

10,00

ANOVA Sales normalized - by number of traffic scaled 1 to 10

Sum of Squares

df

Mean Square

F

Sig.

17,944

,000

Between Groups

106,067

2

53,033

Within Groups

79,800

27

2,956

Total

185,867

29

Hasil Uji Beda ANOVA F hitung terlihat menunjukkan dengan promosi penjualan dibandingkan tanpa / low promotion. High Promotion menghasilkan penjualan yang terbaik. Hasil uji F =

= MSx / MS error

1.2. Contoh kedua dari program ANOVA pada file m554ANOVA.sav (contoh ini merupakan uji beda pada hasil penjualan pada toko 1 s/d 4 dengan promosi yang berbeda)

28

Misalkan Data sebagai berikut : STORE * promotion Crosstabulation promotion

STORE

Total

low

high promotion

medium promotion

(kode 1)

(kode 2)

1,00

10

6

5

21

2,00

9

4

6

19

3,00

10

7

5

22

4,00

8

3

2

13

5,00

8

5

2

15

45

25

20

90

promotion

Total

(kode 3)

Data dimasukkan pada program SPSS (sesuai dengan baris dan kolom sebagai berikut :

29

Kemudian data diberi bobot (weigthed) sbb :

Analysis ANOVA dengan prosedure berikut ini menghasilkan informasi sbb :



30

Step a. procedure ANOVA :

Step. b. hasilnya : Descriptives SALES N

Mean

Std. Deviation

Std. Error

95% Confidence Interval for Mean Lower Bound

Upper Bound

Minimum

Maximum

high promotion

45

9,0889

,9001

,1342

8,8185

9,3593

8,00

10,00

medium promotion

25

5,4000

1,3844

,2769

4,8285

5,9715

3,00

7,00

low promotion

20

4,7000

1,4546

,3253

4,0192

5,3808

2,00

6,00

Total

90

7,0889

2,3399

,2466

6,5988

7,5790

2,00

10,00

31

ANOVA Sum of Squares

df

Mean Square

F

Sig.

Between Groups

365,444

2

182,722

130,468

,000

Within Groups

121,844

87

1,401

Total

487,289

89

Hasil temuan ini menunjukkan bahwa ada perbedaan yang nyata pada rata-rata penjualan pada masing masing aktivitas promosi pada 5 departemen store.

1.3. Contoh ketiga yaitu mencari effect total pada program treatment berat badan ( treatment 1 s/d 3 masing masing dengan sample 5 buah pada setiap treatment) – data sebagai berikut ( file mp114anova.sav ):

32

Step (1). Melakukan ‘weigthed data pada effect total sbb :

Step (2) analisa ANOVA dengan memilih dependent variabel pada ‘effek total dan faktor treatment sebagai faktor yang ingin diuji perbedaannya



33

Step (3) hasilnya sebagai berikut : Descriptives Effek total dari program penurunan berat badan

N

Mean

95% Std. Confidence Std. Error Deviation Interval for Mean

Minimum Maximum

Lower Bound Upper Bound program treatment ke 1

114

26.2621

7.8092

.7330

24.8098

27.7144

11.50

33.50

program treatment ke 2

127

26.4130

5.7054

.5073

25.4091

27.4170

19.50

35.00

program treatment ke 3

102

24.7118

7.2664

.7212

23.2810

26.1427

5.00

31.00

Total

342

25.8572

6.9492

.3760

25.1176

26.5969

5.00

35.00

ANOVA Effek total dari program penurunan berat badan (hasilnya tidak significant)

Sum of Squares

df

Mean Square

F

Sig.

Between Groups

190,849

2

95,425

1,985

,139

Within Groups

16252,316

338

48,084

Total

16443,166

340

34

BAB

05

N – way of Variance

Misalkan Analisis kita ingin melihat pengaruh dan hubungan antara Dependent variabel (penjualan) dengan independent yg ber kategori (1) tingkat promosi rendah, sedang dan tinggi, dan (2) independent variabel pemberian kupon juga berkategori (dengan kupon $20 dan tanpa kupon). Apabila ada pengaruhnya maka bagaimana pengaruh serempak dari kedua independent variabel ber kategori tersebut. 1. untuk menguji dampak promosi atau coupon pada sales

Caranya klik analyse > General Linear Model > univariate sbb :

35

Hasilnya sbb : Tests of Between-Subjects Effects Dependent Variable: Sales normalized -by number of traffic scaled 1 to 10 Type III Sum of Squares

df

Mean Square

F

Sig.

Partial Eta Squared

Corrected Model

162,667(b)

5

32,533

33,655

,000

,875

Intercept

1104,133

1

1104,133

1142,207

,000

,979

PROMO

106,067

2

53,033

54,862

,000

,821

COUPUN

53,333

1

53,333

55,172

,000

,697

PROMO * COUPUN

3,267

2

1,633

1,690

,206

,123

Error

23,200

24

,967

Total

1290,000

30

Corrected Total

185,867

29

Source

a Computed using alpha = ,05 b R Squared = ,875 (Adjusted R Squared = ,849)

Eta squared (η2) ssx /ssy) è 106.067 (ssy-error) / 185.867 or ssy è 0.571 (strength of effects of IV on DV) Partial Eta Squared à 106.067 (ssy-error) / (106.067+23.2 or ssy) = 0.821

36

Omega squared (ω2) à proportion of the variation DV related to IV à ssx -(dfx x MSerror) / (sstotal + MSerror) 106.067-(2 X 0.967 / (185.867 + 0.967) = 104.133 /186.834 è 0.557 (lihat p485)

37

BAB

06

ANALYSIS OF COVARIANCE (ANCOVA)

Misalkan pada data 4.1. (ANOVA) diatas dilakukan rating dengan banyaknya pelanggan yang datang (cliente), kupon (kode 1), Promosi (kode 1) menghasilkan penjualan 10, di rating cliente atau jumlah pengunjung = 9 (sebagai covariate – independent variabel lainnya) , dan seterusnya, maka hasilnya sbb :

38

Hasilnya sbb : Tests of Between-Subjects Effects Dependent Variable: Sales normalized -by number of traffic scaled 1 to 10 Type III Sum of Squares

df

Mean Square

F

Sig.

Partial Eta Squared

1267,638(a)

7

181,091

186,257

,000

,983

,838

1

,838

,862

,363

,036

COUPUN

53,333

1

53,333

54,855

,000

,705

PROMO

106,067

2

53,033

54,546

,000

,826

3,267

2

1,633

1,680

,208

,127

22,362

23

,972

1290,000

30

Source Model CLIENT

COUPUN * PROMO Error Total

a R Squared = ,983 (Adjusted R Squared = ,977)

Kesimpulan the affulence of cliente (banyaknya pengunjung) à does not have an effect on the sales

39

BAB

07

Correlation

Correlation adalah statistik yang menguji kuatnya hubungan antara dua metric variabel (product moment correlation).

r = Covxy / Sx Sy

t=

Covxy = covariance antara x dan y

t distribution df = (n-2) untuk menguji apakah korelasi X dan Y significant atau tidak

Sx

pada Y

= standard deviasi pada X ,

Sy = standar deviasi

r = Covxy / Sx Sy Covxy = Sx

covariance antara

= standard

x dan y

deviasi pada X ,

Sy = standar deviasi pada Y

Misalkan kita mempunyai data attitude = sikap pada suatu kota, l_ resid = lamanya sesorang tinggal disuatu tempat/kota ,dan iweather = pentingnnya cuaca pada kota tsb. Pertanyaannya adalah adakah hubungan (korelasi) antara attude, denganlamanya tinggal, dan cuaca daerah tersebut. Gunakan data MP522 atau M577 (1996) atau 03_corelasi_regressi_p498

40

Data sebagai berikut :

Proses analisis sbb : Analyse > Correlate > Bivariate Hasil ‘Correlation’ antar variabel sbb:

41

Hasil sbb :

Descriptive Statistics Mean

Std. Deviation

N

Attitude toward the city

6,5833

3,3155

12

Duration of residence

9,3333

5,2628

12

Importance attached to weather

6,0833

3,6045

12



42

Correlations

Attitude toward the city

Duration of residence

Importance attached to weather

Attitude toward the city

Duration of residence

Importance attached to weather

Pearson Correlation

1,000

,936

,733

Sig. (2-tailed)

,

,000

,007

Sum of Squares and Cross-products

120,917

179,667

96,417

Covariance

10,992

16,333

8,765

N

12

12

12

Pearson Correlation

,936

1,000

,550

Sig. (2-tailed)

,000

,

,064

Sum of Squares and Cross-products

179,667

304,667

114,667

Covariance

16,333

27,697

10,424

N

12

12

12

Pearson Correlation

,733

,550

1,000

Sig. (2-tailed)

,007

,064

,

Sum of Squares and Cross-products

96,417

114,667

142,917

Covariance

8,765

10,424

12,992

N

12

12

12

** Correlation is significant at the 0.01 level (2-tailed).

43

BAB

08

Bivariate dan Multiple Regression

Bi dan Multivariate Regression ini digunakan untuk melihat apakah dua atau beberapa variabel independen mempengaruhi besaran dari dependent variabel. Misalkan data yang dipergunakan adalah 03_corelasi_regressi_p498, seperti pada contoh korelasi diatas. Prosedur regressi adalah ANALYSE > REGRESSION > LINER Step (1). Panggil program regressi (pada ANALYSE) sbb :

44

Step (2) Tetapkan Dependent dan Independent variabel –metode ENTER sbb :

Step (3) Tetapkan koeffisen yg diestimasi, R2, partial correlation, Durbin-watson test, serta collenearity diagnostic

45

Step (4) Apakah ‘Constant’ included atu tidak ?

Step (5) Hasilnya sbb : Descriptive Statistics Mean

Std. Deviation

N

Attitude toward the city

6,5833

3,3155

12

Duration of residence

9,3333

5,2628

12

Importance attached to weather

6,0833

3,6045

12

Coefficients Unstandardized Coefficients

Sig.

,595

,567

Std. Error

(Constant)

,337

,567

Duration of residence

,481

,059

,764

8,160

,000

Importance attached to weather

,289

,086

,314

3,353

,008

Beta

a Dependent Variable: Attitude toward the city

46

t

B

Model 1

Standardized Coefficients

ANOVA Sum of Squares

df

Mean Square

F

Sig.

Regression

114,264

2

57,132

77,294

,000

Residual

6,652

9

,739

Total

120,917

11

Model 1

a Predictors: (Constant), Importance attached to weather, Duration of residence





b Dependent Variable: Attitude toward the city

Informasi lainnya seperti R2, durbin-watson test, dapat dilihat pada printout lengkap ketika melaksanakan analisa regresi. Terlihat pada hasil diatas : a) Konstanta tidak significant (sama dengan nol – MODEL SEBAIKNNYA TANPA KONSTANTA) b) Lama tinggal dan Cuaca pada kota berpengaruh pada sikap terhadap suatu kota. c) Model yang digunakan dengan uji F dapat dipergunakan, walaupun konstanta tidak significant.

47

BAB

09

Regressi dengan dependant Variabel Dummy

Bentuk Regressi ini dapat berupa : 1) Linear Probability model (LPM) 2) Logistic (logit)model 3) Commulative distribution function (probit or normit)model 4) Tobit (James Tobin) model (Sumber : lihat Gujarati, 1995, Basic Econometrics, McGraw-Hill, hal 554-566)

LPM Misalkan kita mempunyai model sbb : ……………………………. …..(1)

Yi = ß1 + ß2 Xi + ui

Dimana Xi = famiy income , dan Yi = 1 jika mempunyai rumah dan 0 t idak mempunyai rumah. E (Yi| Xi) dimana Yi expected given Xi (conditional probability). Sehingga diperoleh E (Yi| Xi) = ß1 + ß2 Xi = Pi Misalkan kita memupunyai 40 data data sbb :

48

Apabila dilakukan analisa regressi Yi = ß1 + ß2 Xi akan diperoleh hsil sbb : Coefficients(a) Unstandardized Coefficients

Model

1

B

Std. Error

(Constant)

-,946

,123

Income ($1000)(x)

,102

,008

Standardized Coefficients

t

Sig.

-7,698

,000

12,515

,000

Beta

,897

a Dependent Variable: Own a house (y)

Model Summary Model

R

1

,897(a)

R Square ,805

Adjusted R Square

Std. Error of the Estimate

,800

,226

a Predictors: (Constant), Income ($1000)(x)

49

ANOVA(b) Sum of Squares

Model 1

df

Mean Square

F

Sig.

156,634

,000(a)

Regression

8,027

1

8,027

Residual

1,948

38

,051

Total

9,975

39

a Predictors: (Constant), Income ($1000)(x) b Dependent Variable: Own a house (y)

Artinya jika X = 12 = 0.27 atau probabilita mempunyai rumah = 27 persen atau E (Yi| Xi) = ß1 + ß2 Xi = Pi Model ini mungkin mengandung unsur heterocedastisity. Pengaruh heterocedastisity harus dihindari /dihilangkan dengan membagi persamaan (1) dengan √ wi dimana wi = Ŷ (1-Ŷ) dimana Ŷ adalah hasil prediksi formula (1) diatas (caranya minta paket SPSS untuk menyimpan hasil prediksinya pada kolom data SPSS untuk kemudian dimanipulasi untuk memperoleh √ wi diatas. Prosedurnya sbb :

50

Hasilnya sbb :

Hindari probabilitas = 0 atau melebihi angka 1 dengan demikian wi = Ŷ (1-Ŷ) hasilnya sbb :

Dan √ wi dimana wi = Ŷ (1-Ŷ), hasilnya sbb :

51

Data asli kemudian baik Y dan X dibagi dengan √ wi akan dperoleh hasil sbb : Coefficients(a) Unstandardized Coefficients

Model

1

B

Std. Error

(Constant)

-,845

,234

XBAGIWI

,057

,003

a Dependent Variable: YBAGIWI

52

Standardized Coefficients

t

Sig.

-3,617

,001

19,441

,000

Beta

,967

Logit model : Pi=E(Y-1⃓Xi)=1/(1+ₑ-(β1+β2Xi) ) Pi – 1/(1+ₑ-Zi) Zi = β1+β2Xi

Li = Ln Pi/(1-Pi)=Zi Contoh : Yi = probalitias pnduduk mempunyai income tertentu Xi = income Ni = Jumlah rumah tangga pada income Xi ni = jumlah keluarga mempnyai rumah pada income tertentu

53

pi = probabilitas mempunyai rumah pada income tertentu Untuk mengerjakan model logit dlakukan proses perhitungan sbb : Step 1. Menghitung pi (probabilitas dari misalnya kepemilikan rumah pada income tertentu) Step 2. Menghitung pi dibagi ( 1 – pi) atau pi / (1-pi) Step 3. Menghitung ln (pi/1-pi) (natural logaritma)

54

Hasil dari step ini adalah sbb :

Hasil regress Li = Ln Pi/(1-Pi)=Zi dimana Zi = β1+β2Xi Coefficients(a) Unstandardized Coefficients

Model

1

B

Std. Error

(Constant)

-1,659

,096

Income ($1000-x)

,079

,004

Standardized Coefficients

t

Sig.

-17,318

,000

19,108

,000

Beta

,989

a Dependent Variable: Ln Pi bg 1_pi (Li)

Model Summary

Model

R

R Square

1

,989(a)

,979

Std. Error Adjusted R of the EstiSquare mate ,976

,14728

a Predictors: (Constant), Income ($1000-x)

55

Step 4. Mengeliminasi unsur Heteroscedasity yaitu √ wi dimana wi =Ni * pi *1-pi

Notasi diatas diperjelas dengan hasil komputasi sbb :

Kl = kali atau (*)

Probit model atau Normit model Kalau pada model Logit diatas nilai pi diprediksi dengan ni / Ni ( Ni = Jumlah rumah tangga pada income Xi dan ni = jumlah keluarga mempnyai rumah pada income tertentu), didalam model probit ini pi ditaksir dengan menggunakan crve normal atau standard normal CDF

56

sehingga Ln(pi/1-pi) didekati dengan utility index Ii = Bi + B2 Xi dimana Ii = F-1 Pi). F-1 = inverse dari normal CDF kalau digambarkan sbb :

Probit = n.e.d + 5 dimana n.e.d. (normal equavalent deviate atau normit) atau Ii + 5 Dengan contoh diatas Ii diperoleh sbb :

57

Hasilnya sbb :

58

Kemudian dicari nilai Ii = Bi + B2 Xi dimana Ii = F-1 Pi, hasilnya sbb :

Coefficients(a) Unstandardized Coefficients

Model

1

B

Std. Error

(Constant)

-1,016

,058

Income ($1000-x)

,048

,003

Standardized Coefficients

t

Sig.

-17,493

,000

19,299

,000

Beta

,989

a Dependent Variable: Utility index dari pi

Model Summary Model

R

R Square

Adjusted R Square

Std. Error of the Estimate

1

,989(a)

,979

,976

,08927

a Predictors: (Constant), Income ($1000-x)

59

Probit = Ii + 5 atau Zi = 3.9991 + 0.048 Xi adjusted R2 = 1 – (1-R2)* Problema Multiple Regression a.l. : 1. Multicolinearity a. tingginya angka F Hitung = b. t test atas coefficient bi tidak significant c. R2 = sangat tinggi d. Maka remidial yg perlu dilakukan a.l. : drop satu variabel, atau tranform variabel, atau menambah data baru. 2. Heteroscadasticity a. Nlai bi tidak significant, b. Jika data di sortir (misalkan X1 dari nilai yg kecil ke besar bersama dengan variabel Y dan X lainnya akan terlihat bahwa semakin besar Xi akan semakin besar juga Y , c. Dapat juga dilakukan test Goldfield-Quandt untuk melihat Heterscadsticity ini, 3. Autocorrelation, a. Terjadi karena ada korelasi yang arat antara residual dengan Y atau antar residual, yang berakibat prediksi tidak / kurang baik, b. Jika dilakukan d-w (Durbin-Watson) test d-w à = 2 ( 1- ρ (rho)) dimana ρ adalah d = nilai d-w. c. untuk remidial maka seluruh varibel dapat di tranform dengan ( 1- ρ)

60

BAB

10

Discriminant Analysis

Analisa diskriminan dipergunakan untuk melihat apakah suatu kelompok / group dapat dibedakan / di identifikasi berbeda dengan group lainnya. Kelompok / group yang akan dibedakan sebagai dependent variabel (DV), dan bariabel yang akan dipergunakan sebagai pembeda disebut variabel independent. Misalkan kita mempunyai data seperti pada contoh modul ‘frequency ‘ diatas yaitu ‘MP565’ atau 04_discriminant_p538.

61

Group yang dibedakan yaitu kelompok Visit = atau berkunjung / ber wisata ke suatu tempat dengan kode 1 =, tidak melakukan sama sekali,dan kode = 2 melakukan wisata pada dua tahun terakhir (Sumber : Malhotra, 2010, p606). Variavel yang akan dipergunakan untuk membedakan adalah : Income, attitude, family, shouse dan age).

Keterangan data sbb :

62

Pertanyaannya adalah : Apakah mereka yang dalam kelompok ‘Visit (2) dan Non-Visit (1), selama 2 (dua) tahun terakhir ini dapat dijelaskan oleh 5 (lima) variabel : 1. Family Income ($1000) per tahun 2. Attitude toward travel 3. Importance attached to family vacation 4. Household size 5. Age of Head of household Untuk menjawab pertanyaan diatas maka dilakukanlah ‘Discriminant analysis’ sbb :

63

Step (1) Panggil DA modul ANALYSE > CLASSIFY >DISCRIMINANT sbb :

Step (2) Difinikan Dependent variabel = Group Visit dan rangenya 1 dan 2) sbb :

64

Step (3) tentukan Independent Variabelnya :

Step (4) Tentukan model yang akan ditemukan yaitu total model ‘ENTER’ atau model “STEPWISE’ ? Dalam hal ini hanya model ENTER (SEMUA VARIABEL INDEPENDENT DIPAKSA UNTUK MASUK DALAM MODEL) . Step (5) Macam statistic yang diinginkan ?

65

Step (6) Informasi tentang Klasifikasi dari DA sbb :

66

Step (7) Hasilnya sebagai berikut : Eigenvalues Function Eigenvalue 1

1,786

% of Variance

Cumulative %

Canonical Correlation

100,0

100,0

,801

a First 1 canonical discriminant functions were used in the analysis.

Eigen value (λ) = ((BG variation)/(Within group variation)) contoh diatas 1.789 dan

ri

= cannonical correlation à 80.1% diperoleh dari √(λi/

(1+λi)) untuk melihat hubungan antara group dengan fungsi diskriminan Semakin besar nilai Eigen maka group dapat dibedakan dengan baik. Wilks’ Lambda Test of Function(s)

Wilks’ Lambda

Chi-square

df

Sig.

1

,359

26,130

5

,000

Wilk’s Lambda (λ) = dimana à i = 1 s/d ..... k+1 ; Π = perkalian apabila Lambda mendekati 1 maka semua group sama (tidak berbeda), jika mendekati à 0 maka dapat dibedakan dengan baik.

Jika lebih dari 2 group maka eigenvalue, % of variance, dan Wilk’s Lambda dapat digunakan untuk memilih fungsi diskriminan mana yg terbaik yang kana dipernakan, dalam memprediksi perbedaan kelompok.

67

Functions at Group Centroids Function 1 1,291 -1,291

Resort Visit not visit last 2 years visit

Standardized Canonical Discriminant Function Coefficients

Income ($1000) Attitude toward travel Importance attached to family vacation household size Age of head of household

Function 1 ,743 ,096 ,233 ,469 ,209

Classification Results Predicted Group Membership

Original

Count

% Crossvalidated

Count

%

68

Total

Resort Visit

not visit last 2 years

visit

not visit last 2 years

12

3

15

visit

0

15

15

not visit last 2 years

80,0

20,0

100,0

visit

,0

100,0

100,0

not visit last 2 years

11

4

15

visit

2

13

15

not visit last 2 years

73,3

26,7

100,0

visit

13,3

86,7

100,0

a Cross validation is done only for those cases in the analysis. In cross validation, each case is classified by the functions derived from all cases other than that case. b 90,0% of original grouped cases correctly classified. c 80,0% of cross-validated grouped cases correctly classified.

69

BAB

11

Factor Analysis

Faktor analisis adalah alat yang dipergunakan untuk meringkaskan (reduction and summarize) dari sejumlah variabel menjadi beberapa faktor (yaitu kumpulan variabel yang saling berkorelasi menjadi satu kelompok yang disebut faktor). Misalkan data pada MP590 atau 05_factoranalysis_p563 terdapat 6 (enam) variabel kita ingin melihat faktor apa saja yang dipertimbangkan orang pada saat membeli pasta gigi sbb :

Dengan menggunakan 30 sample, dan skala pengukuran Likert (agreement / disagreement) skala 1 = strongly disagree 7= strongly agree diperoleh informasi sbb: berikut :

70

Pada faktor analysis dilakukan analisa sbb : Ø Fomulasikan problema Ø Menyusun matrik korelasi Ø Menentukan model analisa faktor Ø Menentukan jumlah faktor Ø Merotasi faktor Ø Menafsikan faktor Ø Menentukan model fit Step (1) Problema yang ingin dijawab adalah “ Faktor apakah

yang dipertimbangkan oleh konsumen didalam memilih pasta gigi ?”

71

Step (2) Memanggil modul Factor analysis (FA) sbb :

Step (3) Lakukan analisa FA sbb : a. Modul FA sbb :

72

b. Deskripsi yang diinginkan sbb :

73

c. Extraction sbb :

d. Rotasi yang diinginkan :

74

e. Apakah Factor skore disimpan / tidak untuk analisa regressi berikutnya :

f. Option – hasilnya (faktor loading) disortir /tidak :

75

g. Hasilnya sbb : Descriptive Statistics Mean

Std. Deviation

Analysis N

It is importance to buy a tootpaste that prevent cavities (v1)

3,9333

1,9815

30

I like a toopaste that gives shiny teeth (v2)

3,9000

1,3734

30

a toothpaste should strengthen your gum (v3)

4,1000

2,0569

30

I preefer a toothpaste that freshens breath (v4)

4,1000

1,3734

30

Prenvention of tooth decay is not an important benefit offered by a toothpaste (v5)

3,5000

1,9073

30

The most importance consiederation in buying a tootpaste is attractive teeth (v6)

4,1667

1,3917

30

Correlation Matrix

Correlation

76

It is importance to buy a tootpaste that prevent cavities (v1)

I like a toopaste that gives shiny teeth (v2)

a toothpaste should strengthen your gum (v3)

I preefer a toothpaste that freshens breath (v4)

Prenvention of tooth decay is not an important benefit offered by a toothpaste (v5)

The most importance consiederation in buying a tootpaste is attractive teeth (v6)

It is importance to buy a tootpaste that prevent cavities (v1)

1,000

-,053

,873

-,086

-,858

,004

I like a toopaste that gives shiny teeth (v2)

-,053

1,000

-,155

,572

,020

,640

a toothpaste should strengthen your gum (v3)

,873

-,155

1,000

-,248

-,778

-,018

I preefer a toothpaste that freshens breath (v4)

-,086

,572

-,248

1,000

-,007

,640

Prenvention of tooth decay is not an important benefit offered by a toothpaste (v5)

-,858

,020

-,778

-,007

1,000

-,136

The most importance consiederation in buying a tootpaste is attractive teeth (v6)

,004

,640

-,018

,640

-,136

1,000

KMO and Bartlett’s Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett’s Test of Sphericity

,660 Approx. ChiSquare

111,314

df

15

Sig.

,000

Total Variance Explained Extraction Sums of Squared Loadings

Initial Eigenvalues % of Cumulative Variance %

Total

Rotation Sums of Squared Loadings % of Cumulative Variance %

Total

% of Cumulative Variance %

Component

Total

1

2,731

45,520

45,520

2,731

45,520

45,520

2,688

44,802

44,802

2

2,218

36,969

82,488

2,218

36,969

82,488

2,261

37,687

82,488

3

,442

7,360

89,848

4

,341

5,688

95,536

5

,183

3,044

98,580

6

8,521E-02

1,420

100,000

Extraction Method: Principal Component Analysis.

77

Scree Plot 3,0

2,5

2,0

1,5

Eigenvalue

1,0

,5 0,0 1

2

3

4

5

6

Component Number

Rotated Component Matrix Component 1

2

It is importance to buy a tootpaste that prevent cavities (v1)

,962

-2,663E-02

a toothpaste should strengthen your gum (v3)

,934

-,146

Prenvention of tooth decay is not an important benefit offered by a toothpaste (v5)

-,933

-8,401E-02

The most importance consiederation in buying a tootpaste is attractive teeth (v6)

8,337E-02

,885

I preefer a toothpaste that freshens breath (v4)

-9,832E-02

,854

I like a toopaste that gives shiny teeth (v2)

-5,721E-02

,848

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a Rotation converged in 3 iterations.

Memperhatikan hasil komputasi diatas dari 6 (enam) variabel dapat di reduksi mmenjadi 2 (dua) faktor dengan kemampuan menjelaskan sebesar 82,488 (lihat total variance explained).

78

Faktor 1 terdiri atas varibel 1, 3 dan 5 yang terkait dengan kesehatan gigi dapat menjelaskan sebesar 45,520 % sedangkan faktor kedua mampu menjelaskan sebesar 36,969 % yang terdiri atas variabel 2, 4, dan 6 semuanya terkait dengan gigi menarik, segar dan cemerlang (Shiny) atau kita sebut sebagai faktor sosial . Masing masing variabel memberikan faktor loading (korelasi) antara variabel dengan faktornya > 0.6 yang menunjukkan varibel tersebut dapat menjadi indikator terkait dengan kesehatan atau faktor sosial.

79

Model Fit : Reproduced Correlations

Reproduced Correlation

Residual

I preefer a toothpaste that freshens breath (v4)

Prenvention of tooth decay is not an important benefit offered by a toothpaste (v5)

The most importance consiederation in buying a tootpaste is attractive teeth (v6)

,902

-,117

-,895

5,662E-02

,723

-,177

,730

-1,788E-02

,746

,902

-,177

,894

-,217

-,859

-5,134E-02

I preefer a toothpaste that freshens breath (v4)

-,117

,730

-,217

,739

1,999E-02

,748

Prenvention of tooth decay is not an important benefit offered by a toothpaste (v5)

-,895

-1,788E-02

-,859

1,999E-02

,878

-,152

The most importance consiederation in buying a tootpaste is attractive teeth (v6)

5,662E-02

,746

-5,134E-02

,748

-,152

,790

2,440E-02

-2,915E-02

3,115E-02

3,770E-02

-5,245E-02

2,224E-02

-,158

3,763E-02

-,105

-3,127E-02

8,138E-02

3,327E-02

-2,657E-02

-,107

It is importance to buy a tootpaste that prevent cavities (v1)

I like a toopaste that gives shiny teeth (v2)

a toothpaste should strengthen your gum (v3)

It is importance to buy a tootpaste that prevent cavities (v1)

,926

-7,761E-02

I like a toopaste that gives shiny teeth (v2)

-7,761E-02

a toothpaste should strengthen your gum (v3)

It is importance to buy a tootpaste that prevent cavities (v1) I like a toopaste that gives shiny teeth (v2)

2,440E-02

a toothpaste should strengthen your gum (v3)

-2,915E-02

2,224E-02

I preefer a toothpaste that freshens breath (v4)

3,115E-02

-,158

-3,127E-02

Prenvention of tooth decay is not an important benefit offered by a toothpaste (v5)

3,770E-02

3,763E-02

8,138E-02

-2,657E-02

The most importance consiederation in buying a tootpaste is attractive teeth (v6)

-5,245E-02

-,105

3,327E-02

-,107

Extraction Method: Principal Component Analysis.

80

1,574E-02

1,574E-02

a Residuals are computed between observed and reproduced correlations. There are 5 (33,0%) nonredundant residuals with absolute values > 0.05.

b Reproduced communalities

81

BAB

12

Cluster Analysis (CA)

Cluster analysis dapat dipergunakan untuk melakukan pengelompokan sejumlah sample menjadi cluster /kelompok tertentu berdasarkan kriteria tertentu. Misalkan kita mempunyai data à 20 orang responden (sample) yang sedang berbelanja di shopping mall kemudian kita ingin melihat responden mana berkelompok (kelompoknya yang homogen) berdasarkan kriteria ‘attitude consumers toward shopping’. Kriteria untuk mengelompokkan à misalnya respondent diberi pertanyaan tentang Shopping à sebagai berikut : Ø Shopping is fun (v1) Ø Shopping is bad for your budget (v2) Ø I combine shopping with eating out (v3) Ø I try to get the best buys while shopping (v4) Ø I don’t care about shopping (v5) Ø You can save a lot of money buy comparing prices (v6) Data dikumpulkan dengan menggunakan 7 point skala 1 = disagree 7 = agree. Data disimpan pada ‘mp616’ atau ‘06_cluster_analysis_p590’ terlihat sebagai berikut :

82

Cara mengerjakan CA sebagai berikut : Step (1) Panggil modul CA à ANALYSE > CLASSFY > HIERCHICAL CLUSTER sbb :

83

Step (2) CA by Cases sbb :

84

Step (3) Statistik yang diminta à misalkan dibuat 3 (tiga) kluster sbb:

Step (4) Plots yang diminta sbb :

85

Step (5) Metode CA yang diinginkan :

Step (6) Hasilnya sbb : Setiap kasus (sample) dari n = 20, setiap anggota akan dimasukkan dalam salah satu dari 3 (tiga) kluster yang ingin dibentuk yaitu sbb : Cluster Membership

86

Case / REPONDENT

3 Clusters

1

1

2

2

3

1

4

3

5

2

6

1

7

1

8

1

9

2

10

3

11

2

12

1

13

2

14

3

15

1

16

3

17

1

18

3

19

3

20

2

8 -> Respondent 1,3,6,7,8,12,15,17 berkelompok menjadi kluster 1 6 -> Respondent 2,5,9,11,13,dan 20 pada kluster 2, dan lainnya pada kluster 3 Jika digambarkan akan terlihat pada dendogram sebagai berikut:

87

BAB

13

Multidimensional Scaling (MDS)

MDS dipergunakan untuk memetakan (posisioning) persepsi konsumen / respondent atas suatu product / brand terhadap brand lainnya – dalam dua atau beberapa aspek / dimensi. Contoh MDS – Coca Cola :

88

Jika kita mempunyai 10 (sepuluh) macam pasta gigi, kemudian kita ingin melakukan rating pasta gigi mana yang dapat memutihkan gigi dan menguatkan gigi (sebagai dasar untuk melakukan rating) Dengan melakukan survey pada sejumlah konsumen, dan kemudian kita menunjukkan 10 macam pasta gigi, dan kemudian respondent kita minta melakukan rating (Likert = similarity)), maka akan diperoleh data rating sebagai berikut data MDS ‘MP639’ atau 07_ multidimensional_scaling_p614 : Skala Nilai rating : 1 = very dissimilar 7= very similar Informasi yang akan diperoleh dari setiap respondent adalah

1) /2 = 45 perbandingan terlihat sebagai berikut .

n(n-

dimana n =10 (pasta gigi yang dibanding)

89

Cara mengerjakan MDS yaitu ANALYSE MULTIDIMENSIONAL SCALING : Step (1) Memanggil Modul MDS sbb :

90

>

SCALE

>

Step (2) Tampilan MDS sbb :

91

Step (3) Model MDS sbb :

92

Step (4) Option sbb :

Step (5) Hasilnya sbb : Alscal Procedure Options Data OptionsNumber of Rows (Observations/Matrix).

10

Number of Columns (Variables) .

.

.

10

Number of Matrices

.

.

.

.

.

.

1

Measurement Level .

.

.

.

.

.

.

Interval

Data Matrix Shape .

.

.

.

.

.

.

Symmetric

Type

.

.

.

.

.

.

.

.

.

.

.

Dissimilarity

Approach to Ties

.

.

.

.

.

.

.

Leave Tied

Conditionality .

.

.

.

.

.

.

.

Matrix

Data Cutoff at .

.

.

.

.

.

.

.

,000000

93

Model OptionsModel .

.

.

.

.

.

.

.

.

.

.

Euclid

Maximum Dimensionality

.

.

.

.

.

2

Minimum Dimensionality

.

.

.

.

.

2

Negative Weights

.

.

.

.

.

Not Permitted

.

.

Iteration history for the 2 dimensional solution (in squared distances)

Young’s S-stress formula 1 is used. Iteration

S-stress

0

,83459

1

,86304

2

,51313

,34990

3

,48460

,02853

4

,48045

,00415

5

,47999

,00047

Stress

94

For

matrix

=

,36359

Improvement

RSQ =

,15425

*

Configuration derived in 2 dimensions

Stimulus Coordinates Dimension Stimulus Number 1

Stimulus Name

AQUA

1

-,9798

2

CREST

-,5207

4

AIM

1,5399

3 5 6 7 8 9

10

COLGATE

2

-,7983

1,4701

,6774

-1,4964

GLEEM

-1,4584

-,5588

ULTRABR

-1,1419

-,7214

MACLEANS CLOSEU

PEPSODNT DENTAGRD

-,4315 1,2475 1,1667 -,0991

,2023

1,4100 ,4162

-,7740 ,8501

95

Derived Stimulus Configuration Euclidean distance model macleans

1,5

dentagrd

1,0

closeu

,5

aim

0,0

Dimension 2

gleem -,5 ultrabr aqua- fresh

pepsodnt

-1,0 colgate

-1,5 -2,0 -1,5

-1,0

-,5

0,0

,5

1,0

1,5

2,0

Dimension 1

Dengan membanding 10 (sepuluh) pasta gigi diatas : Dimensi 1 = memutihkan gigi ; dimensi 2 = menguatkan gigi, disini terlihat bahwa respondent melihat Pepsodent mampu menguatkan Gigi, tetapi masih dipersepsi belum mampu menguatkan gigi, sehingga strategi yang baik untuk Pepsodent agar dapat mengalahkan pesaing utamanya (misalnya Close Up atau Aim yang mampu menguatkan dan memutihkan gigi) adalah berkampanye bahwa dengan pepsodent menguatkan gigi seperti jepitan kepiting atau kuat / tahan jika kita menggigit es setelah 30 detik menggunakan Pepsodent.

96

BAB

14

Conjour Analysis (CA)

CA dipergunakan untuk melihat seberapa penting (relative important) suatu attribut pada suatu product ketika produvt tersebut di evaluasi oleh seorang konsumen sebelum produk tersebut dibeli. Misalkan produk sepatu attribut yang di evaluasi konsumen a.l. : (a) bagian atas sepatu (upper) apakah attribut tersebut menggunakan kulit, semi kulit, atau plastik parasut, (b) bagian bawah (sol sepeatu) apakah menggunakan kulit, atau karet, atau plastik. Survey / experiment tentang ‘relative importance’ dari dimensi/attribut ini penting, sebelum produsen memproduksi massal produknya Sayang sekali paket SPCC 10.05 atau 11.5 belum menyediakan paket ‘conjoint analysis’ bersama dengan paket retailnya. Paket conjoint baru dapat digunakan dengan cara membeli program yang terpisah. Namun modul Conjoint dapat dilakukan dengan model regressi berganda biasa, kemudian mencari koeefisien utility-nya dengan ‘inverse matrix’. Dapat digunakan paket MINITAB ver 13.2 untuk mencari inverse matrix . Paket statistik yang sudah langsung menggunakan conjoint dalam paket utamanya adalah pada contoh berikut ini.

‘systat versi 8.0 window’, seperti

97

Untuk keperluan kita saat ini dipergunakan paket SPSS dulu, baru digunakan paket Systat. Misalkan kita ingin melihat bagaimana bentuk produk yang disukai oleh pembeli sebelum barang tersebut diproduksi massal. Contoh diambil dari Malhotra, 1999, p650-7 tentang sepatu Sneaker dari Reebok. Dengan attribute dan level (diberi kode) sbb :

98

Level Attribute

Sole Upper Price

Nomor Kode 3 2 1 3 2 1 3 2 1

Deskripsi Rubber Polyurethane Plastic Leather Canvas Nylon $30 $60 $90

Gambar sepatu sbb :

Jika memperhatikan 3 * 3 * 3 (level attribute : harga, sole dan upper) maka ada 27 profile sepatu yang dapat dibentuk, dan setiap konsumen dapat memberikan ratingnya 1 = not prefered hingga 9 = greatly preferred.

99

Misalkan diperoleh informasi sbb :

Attribute level Profile #

Sole

Upper

Price

1 2 3 4 5 6 7 8 9

1 1 1 2 2 2 3 3 3

1 2 3 1 2 3 1 2 3

1 2 3 2 3 1 3 2 1

Preferred Rating 9 7 5 6 5 6 5 7 6

Untuk mengerjakan dengan regressi maka data diatas harus ditranformasi dengan menggunakan ‘dummy variabel’ sbb : Preferred Sole

Rating (Y) 9 170 5 6 5 6 5 7 6

Attribute Upper

Price

X1

X2

X3

X4

X5

X6

1 1 1 0 0 0 0 0 0

0 0 0 1 1 1 0 0 0

1 0 0 1 0 0 1 0 0

0 0 0 0 1 0 0 1 0

1 0 0 0 0 1 0 1 0

0 1 0 1 0 0 0 0 1

X1 = 1 jika Sole level 1 yang diinginkan konsumen 0 level lainnya X2 = 1 jika sole level 2 yang diinginkan konsumen

100

0 level lainnya

Demikian juga untuk x3, x4, x5, dan x6. Data SPSS dan hasil regressi sbb :

Coefficients Unstandardized Coefficients Model 1

Standardized Coefficients

B

Std. Error

t

Sig.

Beta

(Constant)

4,222

,588

7,181

,019

Sole Plastic (x1)

1,000

,544

,384

1,837

,208

Sole Polyurethane (x2)

-,333

,544

-,128

-,612

,603

Upper Nylon (X3)

1,000

,544

,384

1,837

,208

Upper Canvas (x4)

,667

,544

,256

1,225

,345

Price $90 (x5)

2,333

,544

,896

4,287

,050

Price $ 60 (x6)

1,333

,544

,512

2,449

,134

a Dependent Variable: Prefrence rating

101

b0 = 4.222 b1 = 1 b2 = -.333 b3 = 1 b4 = .667 b5 = 2.333 b6 = 1.333 Perhitungan berikutnya adalah mencari ‘part-worth’ dari masing masing attribute Misalkan attribute Sole :

a11

- a13 = b1

a12

-

atau dapat disusun matrik sebagai berikut :

a13 = b2

a11 + a12 + a13 =

1

1

0

-1

= 1

0

1

-1

= -.333

1

1

1

=

A xi = bi xi

= A-1 bi

A-1

= Adjoint / (dibagi dengan) | A|

|A|

= determinant matrix

Adj = Tranfose cofactor (Cof) matrix Cof Aij

102

(-1)

(i+j)

Dij

0

Dengan menggunakan program minitab ver 13.2 nilai

dan a13

dapat dicari sebagai berikut :

a11 , a12

103

atau langsung diketik pada MINITAB session sbb :

104

105

Menggunakan matrix inverse akan diperoleh sbb :

Attribute

Attibute level Sole 3 2 1

Upper Leather

Price $30

0.445 Canvas

1.111 $60

Plastic

0.111 Nylon

.111 $90

–0.222

-.556

-1.222

1.334

1.001

2.333

Rubber 0.778 Popyurethane –0.556

The importance (I) of the attribute Ii = Max aij - Min aij untuk setiap i Jumlah ( S I ij) Relative importance dari attribute Ii / S I ij

1.334 + 1.001 + 2.333 = 4.668 0.286

Model conjoint U (x) = SSaij Xij U (x) = overall utility

a

ij

= part-worth contribution

Xij = level of attribute.

106

0.214

0.500

Conjoint analysis Jika langsung dikerjakan dengan Syntax SPSS Step 1. Misalkan data rating pada halaman Malhotra (2004) hal 626 sbb :

Step 2. Membuka program Conjoint dengan Syntax sbb :

107

atau membuka file syntax STEP_01_CA_SPS sbb :

Step 3 SYNTAX YANG TELAH DIBUAT SBB : DI RUN > All

108

109

Hasilnya sbb :

Data sole dan kodenya menjadi :

data upper dan kodenya sbb :

110

Data price dan kodenya sbb :

Jika hasil dari step 3 sbb :

Edit ATAU susun kembali data diatas sesuaikan dengan textbook M_626 Rating yang diperoleh pada tabel step 1 yaitu :

111

Hasilnya sbb : Data SPSS à PADA M_626_CA.SAV akan menjadi sbb :

112

Step 4 : data tersebut kemudian akan diolah dengan menggunakan Syntax Step_2_CA.SPS

113

Hasilnya sbb : Conjoint Analysis

Factor

Model Levels

Label

SOLE

d

3

SOLE

UPPER

d

3

UPPER

PRICE

d

3

PRICE

(Models: d=discrete, l=linear, i=ideal, ai=antiideal, <=less, >=more) The factors are not all orthogonal. statistics: SOLE

UPPER

SOLE

1,000

UPPER

,000

1,000

PRICE

,289

,289

114

PRICE

1,000

Cramer’s V

115

BAB

15

Path Analysis

Analisa Jalur (path) dipergunakan untuk mengetahui effek langsung (direct Effect - DE) dan pengaruh tidak langsung (indirect effect – IE) dari variabel independent terhadap variabel dependent melalui variabel dependent lainnya. Misalkan kita mempunyai model sebagai berikut :

dengan nilai korelasi (rij) sbb: r13 = 0.25 ; r12 0.5 r23 = 0.5 maka path (p) p21 = 0.5 diperoleh dari : 1.

p31 = 0.0 = (r31-(r32*r12))/(1-(r12)^2 ) dimana r13 = 0.25 ; r12 0.5 r23 = 0.

116

= (0.25-(0.5*0.5))/(1-(0.5)^2 = 0.0 2.

p32 = 0.5 = (r32-(r31*r12))/(1-(r12)^2 )

= (0.5-(0.25*0.5))/(1-(0.25)^2 ) = 0.50

117

118

BAB

16

Structural Equation Modeling

16.1. LISREL 8.30 Step 1. Memanggil program Lisrel 8.30 : Ketik Start > Programs > Lisrel hasilnya sbb :

Dengan menu Utama sbb :

119

Step 2 : Membuka data untuk lisrel , misalkan data diimport dari external data (spss.sav) sbb : Seperti pada menu utama klik File > Import external data in othere format Misalkan datanya adalah data faktor analisys dari Malhotra M649fa. sav data untuk analisa faktor (05_factoranalysis_563) Prosedurnya sbb :

120

Hasilnya akan berbentuk file M649fa.psf sbb :

121

Label pada data spss adalah sbb :

Step 3 membuat model Lisrel (lihat data faktor analisis pada no. 11 diatas) sbb :

122

Dimana f1-kes dibentuk dari v1, v3 dan v5 dan f2-sosial dibentuk dari v2, v4 dan v6 Untuk memudahkan analisa data m649fa.psf dirubah menjadi data berupa Covariance matrix dengan prosedure sbb : Ketik Statistics > Output options (data screening, normal score, FA, Probit, Regression)

123

Step 4 : Menyusun program m649fa.spj (untuk menguji model pada step 3 diatas ) Prosedurnya sbb : Klik File > New > Simplis Project Hasilnya sbb :

124

125

Akan terlihat menu sbb :

Kemudian ketik perintah Lisrel 830 pada bidang diatas dan hasilnya sbb : Sesuai dengan model yang dibuat :

126

Kemudian kerjakan (run ) perintah diatas dengan mengklik tombol ini : Seperti orang berlari :

127

Hasilnya terlihat bahwa jika model tersebut kurang baik LISREL tidak mau mengeluarkan hasilnya.

Daftar Istilah Lisrel 830 No.

Kode

Keterangan

1.

*.psf

Data Prelis

2.

*.SPJ

Simplis Project

3.

*.Lpj

Lisrel Project

4.

*.pth

Path diagram

5.

*.sav

Spss data

6.

Λy = LY

Lamdha besar Y= matrix factor loading dari variabel latent Y (Matrix containing the structural coefficient linking the observed and latent endogeneous variabels)

7.

Λx= LX

Lamdha besar X = matrix factor loading dari variabel latent X (Matrix containing the structural coefficient linking the observed and latent exogeneous variabels)

8.

Β=BE

Betha besar à pengaruh variabel endogen pada variabl endogen (Matrix containing the structural effects from endogeneous to othe endogeneous variables)

9.

Γ = GA

Gamma besar à pengaruh variabel exogen (latent) pada var. endogen (Matrix containing the structural effects from exogeneous to othe endogeneous variables)

10.

Φ = PH

Phi besar à matrix var-covar dari endogeneous varibles

11.

Ψ = PS

Psi besar à matrix var-covar antar error yang terkait dengan endogeneous variables

12.

Θε = TE

Tetha besar Epsilon kecil à matrix var-covar of measurement errors yg terkait dengan observed endogeneous variables

13.

Θδ = TD

Tetha besar Deltha kecil à matrix var-cov var. of measurement errors yg terkait dengan observed exogeneous variables

14.

Θδε = TH

Matrix var-covar var manifest var latent Xdan Y

15.

ξ =Ksi

16.

η= etha

17.

λ=lamdha

18.

β=betha kecil

Structural effect dari endogeneous ke variable endogenenous lainnya

19.

γ =gamma kecil

Regression or structural coefficient yg terkait dengan effek dari exogeneous ke endogeneous

20.

φ = phi kecil

Variance / Covariance (peragam) antar variabel endogeneous

21.

ζ = zetha

22.

ψ = psi kecil

23.

ε = epsil kecil

128

Var. latent exogeneus variables Variabel latent endogeneous varibles Loading faktor

Error (galat) yg terkait dengan endogeneous variables Psy kecil caovariance (peragam) antar galat (error) dengan variables endogeneous yg terkait Error pada manifest untuk latent Y

24.

δ = deltha kecil

Error pengukuran pada exogeneousvariables)

25

α = alpha

Intercept term in a regression or structural equation

26.

varibel

manifest

(observed

DA

Data line (sub MA= matrix to be analysed, CM= covariance matrix,NI=number of input variabels,NO = nomber of observations)

27.

LA

Label for observed variables

28.

LK

Label for Latent exogeneos ξ (=Ksi)

29.

LE

Label for Latent endogeneous η (etha)

30.

CM

Covariance matrix input

31.

KM

Korelation matrix input (sub FU =FUII, SY=symetrical)

32.

ME

Means

33.

SD

Standard Deviation

34.

SE

Select line

35.

MO

Model Line (sub NE = number of latent endogeneous eta (η) variables; NK = number of latent exogeneous (ξ =Ksi) NX = number of observed exogeneous X variables; NY = number of observed endogeneous Y variables; AL = alpha; BE =beta; GA = Gamma; LX = lamdha X ; LY = lamdha Y PH = Φ = PH (Phi); PS = Ψ = PS (psi); TE = Θε (Tetha besar Epsilon kecil) TD = Θδ (Tetha besar Deltha kecil) optional (FI= fixed, FR= free, FU=FUII,DI= diagonal, SD= sub diagonal,SY= symetric,ZE=zero)

36.

VA

Value

37.

FR

Free

38.

FI

Fix

39.

PATH DIAGRAM

40.

OU

41

End of problem

Output line dengan sub command EF = effect, ME method of estimation, ND = Number of decimal, SC = standardized completely, SS = standardized solutions) MI = modification index TV = tvalue

Contoh lain, dari Agusty (Augusty Ferdinant, 2002, Structural Equation Modelling edisi 2 BP Univ. Diponegoro, Semarang) Dengan Model :

129

dan Proram LISREL sbb :

130

Hasilnya sbb :

16. 2. AMOS Step. 1 Panggil Program Amos 4.0. atau AMOS 21 Akan terlihat program sbb :

Atau AMOS 21 sbb :

131

Step 2. Kemudian Mulai menggambar Model berikut ini :

132

Data yang dipergunakan ‘mp999a SEM_Hadiutome.sav’ Pada Menu Amos 21 terlihat sbb :

Gunakan

tanda elips, untuk menggambar model :

Gunakan tanda untuk men copy model dengan ukuran yang sama seperti berikut ini :

133

Gunakan untuk menggambarkan indikator (observed variabel – data pada file data / hasil survey) atau elemen dari construct / manifest / unobserved variabel misalnya physical aspect dengan indikator x1- s/d x4).

Dan Seterusnya hingga model selesai.

134

Step 3. Memasukkan data pada model diatas Data tersebut dipanggil dengan ‘menu amos’ sbb : Sehingga hasilnya sbb:

135

Step 4. Menyelesaikan ‘output’ yang diinginkan maka VIEW > ANALYSIS PROPERTIES terlihat sbb :

136

Kemudian ‘calculate estimate’ sbb :

137

Hasilnya sbb:

138

hasil dari standardized coeficient = yang menunjukkan direct effect sbb :

139

text output lainya :

140

Pedoman statistik yang ideal adalah sbb :

(lihat Agusty, 2002, p61) χ2 =

Chi square uji beda matriks covariance , nilai yang kecil dan tidak significant yang seharusnya dihasilkan

RMSEA =

The root mean square error of approximation untuk menentukan model fit

GFI =

Goodness of fit 0 = poor 1 = perfect fit

141

AGFI =

Adjusted Goodness of fit > 95% good, .90 --.95 cukup

CMIN/DF =

The minimum sample discrepancy function with degree of fredom (DF) (χ2 relatif) < 2-3 acceptable fit

TLI =

Tucker Lewis index >.95 good fit

CFI =

Comparative fit index >.95 very good fit model

Goodness-of-Fit Accross Different Model Situation (Hair et al., 7th ed, 2010,p672)

16.3. GESCA (Generalized Component Analysis

Structured

MODEL HADIUTOMO DENGAN GESCA OLEH MSI – 11 MEI 2012

142

DATA

143

STEP-STEP MENGERJAKANNYA : 1. http://www.sem-gesca.org/ 2. ENTER GESCA a. TERLIHAT ---- > JAVA

b. Accepct --> RUN c. Dstnya

3. Menu Utama terlihat sbb:

144

4. Upload data --> yang telah di copy – DARI HOMEPAGE DIATAS – dari spss – delimited.DAT 5. Pergunakan data seperti pada Model diatas 6. Draw latent Variable

145

Klik berkali-kali sesuai dengan jumlah / letak Latent variabel pada Model 7. Draw Path --> Klik --> sesuai model Hasilnya terlihat sbb:

146

8. Assign indikator (lihat data – untuk model ini

147

148

9. Save Model – HadiUtomo.XML 10. RUN 11. Tunggu hasilnya 12. Buka word 13. Tekan Ctrl A --> select All 14. Tekan Ctrl C --> untuk meng copy hasil 15. Ke Word tekan Ctrl V untuk paste hasilnya sebagai berikut :

149

Model Fit FIT AFIT GFI SRMR NPAR

0.493 0.485 0.981 0.100 50 Measurement Model

Variable  

Loading Estimate

SE

Weight CR

Estimate

SE

SMC CR

Estimate

SE

CR

  LV_1

AVE = 0.543, Alpha =0.719

x1

0.733

0.044

16.6*

0.337

0.023

14.67*

0.537

0.063

8.54*

x2

0.774

0.038

20.32*

0.367

0.026

13.97*

0.599

0.058

10.28*

x3

0.711

0.049

14.45*

0.320

0.021

15.53*

0.505

0.068

7.37*

x4

0.729

0.051

14.3*

0.332

0.025

13.28*

0.531

0.073

7.23*

  LV_2

AVE = 0.700, Alpha =0.785

x5

0.843

0.027

30.98*

0.403

0.015

27.09*

0.710

0.045

15.74*

x6

0.857

0.018

48.31

0.410

0.018

22.49

0.735

0.030

24.24*

x7

0.809

0.039

20.6

0.382

0.011

*

33.69

0.655

0.063

10.43*

*

*

*

  LV_3

AVE = 0.591, Alpha =0.769

x8

0.753

0.035

21.25*

0.327

0.021

15.65*

0.568

0.053

10.7*

x9

0.762

0.039

19.47

0.315

0.020

16.09

0.581

0.058

9.94*

x10

0.785

0.037

21.28

0.334

0.017

19.31

0.616

0.057

10.78*

x11

0.775

0.044

17.79

0.325

0.017

*

19.12

0.600

0.066

9.07*

* * *

* *

  LV_4

AVE = 0.673, Alpha =0.514

x12

0.814

0.039

21.09*

0.600

0.028

21.51*

0.663

0.061

10.81*

x13

0.827

0.031

26.79

0.619

0.034

*

18.23

0.684

0.050

13.61*

*

  LV_5

AVE = 0.576, Alpha =0.747

x14

0.846

0.029

29.06*

0.372

0.022

17.02*

0.715

0.048

14.95*

x15

0.823

0.027

30.68

*

0.364

0.023

*

15.79

0.678

0.044

15.51*

x16

0.837

0.030

28.18*

0.355

0.020

18.12*

0.700

0.049

14.34*

x17

0.458

0.115

3.98*

0.192

0.045

4.32*

0.210

0.099

2.13*

  LV_6

AVE = 0.655, Alpha =0.474

x18

0.830

0.027

30.85*

0.648

0.030

21.58*

0.689

0.044

15.72*

x19

0.788

0.025

31.94*

0.587

0.035

16.75*

0.621

0.039

16.01*

150

  LV_7

AVE = 0.694, Alpha =0.778

x20

0.854

0.033

26.2*

0.430

0.023

19.01*

0.728

0.054

13.54*

x21

0.858

0.030

28.4*

0.377

0.031

12.28*

0.736

0.050

14.63*

x22

0.785

0.046

17.2

0.394

0.022

17.64

0.616

0.069

8.91*

*

*

CR* = significant at .05 level

Structural Model

  LV_1->LV_6 LV_2->LV_6 LV_3->LV_6 LV_4->LV_6 LV_5->LV_6 LV_6->LV_7 CR* = significant at .05 level

Path Coefficients Estimate 0.281 0.139 0.245 0.233 0.316 0.338

SE 0.082 0.078 0.065 0.067 0.070 0.080

R square of Latent Variable LV_1 LV_2 LV_3 LV_4 LV_5 LV_6 LV_7

CR 3.42* 1.78 3.75* 3.48* 4.5* 4.21*

0 0 0 0 0 0.502 0.114

Means Scores of Latent Variables LV_1 LV_2 LV_3 LV_4 LV_5 LV_6 LV_7

5.619 5.440 5.586 5.636 5.608 5.715 5.709

151

Correlations of Latent Variables (SE)  

LV_1

LV_2

LV_3

LV_4

LV_5

LV_6

LV_7

LV_1

1

0.072 (0.071)

0.117 (0.074)

0.244 (0.076)*

0.228 (0.084)*

0.448 (0.085)*

0.187 (0.088)*

LV_2

0.072 (0.071)

1

0.095 (0.071)

0.042 (0.080)

0.062 (0.071)

0.212 (0.095)*

0.192 (0.099)

LV_3

0.117 (0.074)

0.095 (0.071)

1

0.121 (0.091)

0.255 (0.077)

*

0.399 (0.082)

*

0.266 (0.096)*

LV_4

*

0.244 (0.076)

0.042 (0.080)

0.121 (0.091)

1

0.193 (0.091)

*

0.398 (0.074)

*

0.146 (0.089)

LV_5

0.228 (0.084)*

0.062 (0.071)

0.255 (0.077)*

0.193 (0.091)*

1

0.496 (0.072)*

0.024 (0.081)

LV_6

0.448 (0.085)*

0.212 (0.095)*

0.399 (0.082)*

0.398 (0.074)*

0.496 (0.072)*

1

0.338 (0.080)*

LV_7

0.187 (0.088)*

0.192 (0.099)

0.266 (0.096)*

0.146 (0.089)

0.024 (0.081)

0.338 (0.080)*

1

* significant at .05 level

BANDINGKAN HASILNYA DENGAN AMOS-20

152

153

154

BAB

17

Non Parametik Statistik

Tehnik analisis non parametrik diergunakan untuk data dengan skala nominal, ordinal dan distribution free. Lihat gambar berikut ini :

Sumber : Kinnear T.C, Taylor J.R, 1971, Multivariate Methods in Marketing Research, 1971.

155

156

Prosedure dan besarnya sample sbb :

157

Keterangan : Relative allowable error (R) = (0.5* precision) / mean Coefficient of Variatin ( C ) = s / mean s = standard deviation 1.

158

17.1. Uji Binomial ssb: Sebuah Perusahaan memproduksi Gabin / Crackers yang dibngkus dengan dua macam warna yaitu : warna gold (kode 1) dan warna silver (kode 2). Produk tersebut di pasarkan dan hasil sample sebanyak 25 orang 17 menyukai gold package, dan 8 menyukai silver package. Apakah kedua pilihan tersebut berbeda nyata atau tidak ? Ho : kesukaan masyarakat tidak berbeda (p1 = proporsi kelempok pertama = p2 Hi : kesukaan masyarakat berbeda nyata (p1 ≠ p2 pada α = 5%)

Cara mengerjakan : spss > analyse > Non_ parmetic tests > binomial

159

160

Kesimpulannya tidak dapat menolak Ho.atau pilihan konsumen tidak berbeda nyata Contoh lainnya uji beda apakah nikotin pada rokok telah sesuai dengan ketetapan pemerintah sama dengan atau lebih kecil dari 20 mg. Untuk itu perlu dilakukan test sbb : Misalkan sample sebanyak 10 merek rokok masing masing diambil 2 (dua)bungkus hasilnya sbb (perhatikan dalam mengisi dialog cut point =20) :

161

162

Dalam hal ini Ho juga tidak dapat ditolak, atau Ho = 20 mg (sama dengan) 1.2.

Uji Run Test – Atas nikotin (berdasarkan kelompok median dan mean) Ho. : apakah nilai nikotin sama dengan nila rata ratanya (mean) atau nilai mediannya Hi. : Nilai nikotin berbeda nyata jika α ≤ 5% Hasilnya sbb :

163

Ho. Tidak ditolak

164

17.3. Wilcoxon T test – signed test Misalkan akan dilakukan uji beda apakah ada

pebedaan antara nilai mid-test dengan nilai finaltest (ini adalah dua pasang sample yang saling terkait) – Jika dilakukan uji Wilcoxon dan signed test akan menghasilkan sbb :

165

Kesimpulannya adalah karena test statistik > α 5% maka kedua hasil test tersebut dapat dinyatakan tidak berbeda nyata

166

1.4. Mann-Whitney U test ( rank sum test yang dipergunakan untuk 2 independent samples yang ditarik dari populasi populasi yang mempunyai mean yg sama) Misalkan ditarik sample apptitude test 15 orang alumni dari 2 universitas (h dan w) yang telah mendapatkan management training. Data dan cara me-rankingnya sbb :

167

Kesimpulan hasil test apptitude test alumni kedua unversitas tersebut berbeda nyata (nilai Z significant pada α = 1/1000)

168

1.5. Cross Tabulasi – χ2 –test Misalkan data sbb :

Hipertensi (kode sakit 1) Tidak Hipertensi (2)

Bukan Perokok (kode perokok = 1)

Perokok sedang (2)

Perokok Berat (3)

21 (data sakit - orang)

36

30

48

26

19

Dimasukkan data dan analisanya sbb :

169

170

Kebiasaan Merokok dengan sakit hipertensi ada kaitannya

171

17.6. χ2 – test beda proporsi Misalkan survey terhadap 100 peminum kopi dengan Merek A, B, C, D, dan E. Peneliti ingin mengetahui apakah proporsi pemakai merek kopi berbeda nayata atau tidak Misalkan data 1 = untuk pemakai merek A, 2 = untuk pemakai merek B, 3 = pemakai merek C, 4 = untuk pemakai merek D dan kode 4 untuk pemakai merek E. Hasil uji beda sebagai berikut :

172

173

Kesimpulan proporsi berbeda nyata

17.7 Anova Teching method A (kode 1) B (2) dan C (kode 3)

Misalkan data sbb : Metode A Metode B Metode C Nilai Murid No. 1

16

19

24

2

21

20

21

3

18

21

25

4

13

20

25

174

175

Berdasarkan uji F, terlihat bahwa Hipotesa Nol tidak dapat diterima (bahwa metode mengajar semuanya sama dan memberikan hasil yang sama)

176

Daftar Pustaka Arbuckle J.L., 1999, Amos 4.0. User’s Guide SPSS INC, Chicago USA. Arbuckle J., 1992, AMOS – 3.1 (Analysis of Moment Structure – Getting Started with AmosDraw under Windows, Unpublished Work Copyringht 1992 by James Arbuckle Dept. Of Psychology – Temple University. Augusty Ferdinant, 2000, Structural Equation Modelling, BP Univ. Diponegoro, Semarang Augusty Ferdinant, 2002, Structural Equation Modelling, edisi 2 BP Univ. Diponegoro, Semarang Byrne B.M., 1994, Structural Equation Modelling with EQS /Windows, Sage Pub., London. Quantitative Miro Software, 1997, EVIEWS 3 User’s Guide, Irvine, CA. Gujarati D.N., 1995, Basic Econometrics, 3rd Ed., McGraw-Hill International, Singapore. Hair J F, Anderson R.E., Tatham R.L., and Black W.W., 1998, Multivarite Data Analysis, Prentice Hall, International Inc., London. Hair J F, Black W.W., Babin B.J, and Anderson R.E., 2010, Multivarite Data Analysis – Global Perspective, Pearson , New York. Hamburg M, 1991, Statistical Analysis for Decision Making, 5th ed., Harcourt Brace Jovanovich International Edition, London. Jorskog K.G., and Sorbom D., 1998, Lisrel 8 User’s Reference Guide, SSI Software International. Malhotra N.K, 1996, Marketing Research – an applied orientation, 2nd ed.,Prentice Hall, New Jersey.

177

Malhotra N.K, 1999, Marketing Research – an applied orientation, 3rd ed. Prentice Hall, New Jersey. Malhotra N.K, 2004, Marketing Research – an applied orientation, 4th ed. Prentice Hall, New Jersey. Malhotra N.K, 2010, Marketing Research – an applied orientation, 4th ed. Prentice Hall, New Jersey Minitab, ver 13.2 program 1997 – 2002 Mueller R.O., 1996, Basic Priciples of Structural Equation Modelling, Springer, New York. Norusiss M. J., 1993, SPSS for Windows Professional Statistics Release 6.0 SPSS for Windows, ver 6.0 dan 7.0, 11.5 s/d 12 Program dari SPSS Inc.

178

Lampiran : Contoh Perintah t-test, Z-test, F-test, Anova, dan c2 –test dengan MINITAB ver 13.2. Bahan bahan ini diambil dari : Ø Untuk ekonometrik terapan diberikan bahan Multiple Regression Analysis dari textbook Basic Econometrics oleh D.N. Gujarati (1995), edisi ketiga – Bab 7. Pada bahan ini diberikan contoh bagaimana melakukan estimasi dengan beberapa variabel independent, baik dengan menggunakan model linear maupun model non-linear (polynomial). Model Ekonometrika ini diterapkan untuk mengestimasi fungsi produksi Cobb_Douglas (p214) dan mengestimasi fungsi Total Cost (p218). Tentunya tidak mudah melakukan estimasi dengan cara manual, karena ruwetnya perhitungan, dan terbatasnya waktu bagi peserta program MM, untuk maka bersama modul ini juga dilengkapi paket Ekonometrika – MINITAB ver 13.2. Ø Untuk Bahan statistik terapan, pada modul ini dijelaskan bagaimana melakukan testing hipotesa baik untuk satu sample besar (Z-test p317 dari bahan Statistical Analysis for Decision Making edisi kelima – bab 7, oleh M. Hamburg (1991)), 2-sample test besar (Z-test – p339); sample kecil (t-test p352), t-test berpasangan – p362 ; test sebaran probabilitas apakah

sebarannya seragam atau tidak (p382 – tentang c2) ; dan bahan terakhir adalah analysis of variance dengan menggunakan uji

F.

179

a) t-test dengan MINITAB MTB > retr ‘a:p363h.dat’ MTB > info COLUMN

NAME

COUNT

C1

bdiet

10

C2

afdiet

10

CONSTANTS USED: NONE

MTB > print c1 c2

180

ROW

bdiet

afdiet

1

184

181

2

172

172

3

190

185

4

187

184

5

210

201

6

202

201

7

166

160

8

173

168

9

183

180

10

184

179

MTB > describe c1-c2 bdiet

N

afdiet

10

10

MEAN

185.1

181.1

MEDIAN

184.0

180.5

TMEAN

184.4

181.3

STDEV

13.4

13.0

SEMEAN

4.2

4.1

MAX

210.0

201.0

MIN

166.0

160.0

Q3

193.0

189.0

Q1

172.8

171.0

MTB > let c3 = c2-c1 MTB > name c3 ‘b-a’ MTB > describe c3 b-a

N

10

MEAN

-4.00

MEDIAN

-4.00

TMEAN

-3.87

STDEV

2.58

SEMEAN

0.82

MAX

0.00

MIN

-9.00

Q3

-2.50

Q1

-5.25

181

MTB > print c1-c3 ROW

bdiet

afdiet

b-a

1

184

181

-3

2

172

172

0

3

190

185

-5

4

187

184

-3

5

210

201

-9

6

202

201

-1

7

166

160

-6

8

173

168

-5

9

183

180

-3

10

184

179

-5

MTB > retri ‘a:p363h.dat’ MTB > twosample c1 c2; MTB > pooled.

TWOSAMPLE T FOR bdiet VS afdiet N

MEAN

STDEV

SE MEAN

bdiet

10

185.1

13.4

4.2

afdiet

10

181.1

13.0

4.1

95 PCT CI FOR MU bdiet - MU afdiet: (-8.4, 16.4)

TTEST MU bdiet = MU afdiet (VS NE): T=0.68 P=0.51 DF=18.0

182

b) Z-test MTB > retr ‘a:app_d.dat’ MTB > info COLUMN

NAME

COUNT

C1

foodexp

54

C2

income

64

CONSTANTS USED: NONE MTB > print c1 c2 ROW

foodexp

income

1

5.2

28

2

5.1

26

3

5.6

32

4

4.6

24

5

11.3

54

6

8.1

59

7

7.8

44

8

5.8

30

9

5.1

40

10

18.0

82

11

4.9

42

12

11.8

58

13

5.2

28

183

184

14

4.8

20

15

7.9

42

16

6.4

47

17

20.0

112

18

13.7

85

19

5.1

31

20

2.9

26

21

3.3

18

22

6.8

30

23

4.9

31

24

10.2

62

25

10.7

54

26

4.8

29

27

5.0

30

28

4.1

34

29

4.4

30

30

4.3

25

31

10.3

57

32

9.8

52

33

7.3

47

34

5.1

36

35

3.3

19

36

4.6

28

37

2.0

17

38

15.3

47

39

11.1

49

40

5.6

87

41

5.8

72

42

8.7

12

43

5.4

28

44

4.8

16

45

10.8

19

46

8.9

45

47

8.0

27

48

6.3

75

49

2.9

63

50

5.1

32

MTB > descri c1-c2 foodexp

income

54

64

MEAN

7.16

40.9

MEDIAN

5.60

34.5

TMEAN

6.79

39.5

STDEV

3.81

20.5

SEMEAN

0.52

2.6

MAX

20.00

112.0

MIN

2.00

12.0

Q3

9.12

51.7

Q1

4.80

26.2

N

MTB > help sample

SAMPLE K rows from C,...,C, put into C,...,C

Selects K rows (without replacement) at random from the specified

185

columns. Currently SAMPLE can have at most 50 input columns and 50 storage columns.

MTB > sample 35 c2 c22 35 ROWS SELECTED OUT OF

64

THE ROWS SELECTED FROM COLUMN

income

30.0000 19.0000 46.0000 38.0000

28.0000

35.0000

26.0000 31.0000 32.0000 28.0000

54.0000

50.0000

26.0000 30.0000 48.0000 24.0000

18.0000

12.0000

78.0000 21.0000 54.0000 44.0000

26.0000

49.0000

25.0000 24.0000 29.0000 30.0000

57.0000

27.0000

45.0000 47.0000

47.0000

85.0000

32.0000

MTB > name c22 ‘smplc235’

MTB > print c22

MTB > describe c22 smplc235

N

186

35

MEAN

37.0

MEDIAN

31.0

TMEAN

35.5

STDEV

16.1

CONTAIN

SEMEAN

2.7

MAX

85.0

MIN

12.0

Q3

47.0

Q1

26.0

MTB > ztest 44 19 c22

TEST OF MU = 44.0 VS MU N.E. 44.0 THE ASSUMED SIGMA = 19.0 smplc235

N

MEAN

STDEV

35

37.0

16.1

SE MEAN 3.2

Z

P VALUE

-2.18

0.030

MTB > retri ‘a:sample35.dat’ MTB > print c22

smplc235 50 54

30

19

28

35

46

38

26

31

54

30

18

12

48

24

78

21

26

49

57

27

29

30

45

32

47

85

47

32 44

28 25

26 24

MTB > descri c22 smplc235

N

35

MEAN

37.0

MEDIAN

31.0

187

TMEAN

35.5

STDEV

16.1

SEMEAN

2.7

MAX

85.0

MIN

12.0

Q3

47.0

Q1

26.0

MTB > ztest 38 18.983 c22 TEST OF MU = 38.0 VS MU N.E. 38.0 THE ASSUMED SIGMA = 19.0

smplc235

N

MEAN

STDEV

SE MEAN

35

37.0

16.1

3.2

Z -0.31

P VALUE 0.76

MTB > ttest 38 c22

TEST OF MU = 38.0 VS MU N.E. 38.0

smplc235

N

MEAN

STDEV

SE MEAN

35

37.0

16.1

2.7

T -0.37

P VALUE 0.71

c) chi – square ( c2 ) MTB > retri ‘a:chi394.dat’ MTB > chisquare c1-c3

EXPECTED FREQUENCIES ARE PRINTED BELOW OBSERVED FREQUENCIES I

188

C1

I

C2

I

C3

ITOTALS

-------I-------I-------I-------I------1

I 1000 I

I

900

I

600.0I 1200.0I

100

I

2000

200.0I

-------I-------I-------I-------I------2

I 1500

I 2600

I

I 1380.0I 2760.0I

500

I

4600

460.0I

-------I-------I-------I-------I------3

I

500

I 2500

I

I 1020.0I 2040.0I

400

I

3400

340.0I

-------I-------I-------I-------I------TOTALS I

3000 I

Keterangan

6000 I

1000 I

10000

:

pada Baris = 1 = 0 telephone 2 = 1 telephone 3 = 2 atau lebih telephone pada kolom

1 = 0 / tidak punya mobil 2 = 1 mobil 3 = 2 atau lebih mobil

TOTAL CHI SQUARE =

266.67 + 75.00 + 50.00 + 10.43 +

9.28 +

3.48 +

265.10 +103.73 + 10.59 + =

794.27

DEGREES OF FREEDOM =( 3-1)X( 3-1) =4

189

d) ANOVA – F test

MTB > retri ‘a:anova426.dat’ MTB > print c1-c3

190

ROW

weight

temp

food

1

11

1

1

2

15

1

1

3

12

1

1

4

21

1

2

5

22

1

2

6

17

1

2

7

26

1

3

8

22

1

3

9

23

1

3

10

12

2

1

11

14

2

1

12

13

2

1

13

28

2

2

14

29

2

2

15

18

2

2

16

29

2

3

17

27

2

3

18

26

2

3

19

40

3

1

20

28

3

1

21

32

3

1

22

24

3

2

23

26

3

2

24

22

3

2

25

19

3

3

26

18

3

3

27

20

3

3

MTB > help table

TABLE the data classified by C,...,C Subcommands: MEANS

MINIMUMS

STATS

MEDIANS

MAXIMUMS

DATA

SUMS

STDEV

PROPORTION

NONMISSING

COUNTS

CHISQUARE

MISSING

ROWPERCENTS

COLPERCENTS

TOTPERCENTS

ALL

NOALL

FREQUENCIES

LAYOUT

The TABLE command prints one-way, two-way, and multi-way tables. Example:

TABLE ‘SEX’ BY ‘JOB.TYPE’ BY ‘STATE’; MEAN ‘INCOME’; MAXIMUM ‘INCOME’.

A separate two-way table, with sex on rows and job type on columns, is printed for each state. numbers, mean income

Each cell contains 2

and maximum income.

191

Currently TABLE can have at most 10 columns on the TABLE line.

MTB > table c2 c3; MTB > data in c1. ROWS: temp

1

2

3

COLUMNS: food

1

2

3

11.000

21.000

26.000

15.000

22.000

22.000

12.000

17.000

23.000

12.000

28.000

29.000

14.000

29.000

27.000

13.000

18.000

26.000

40.000

24.000

19.000

28.000

26.000

18.000

32.000

22.000

20.000

CELL CONTENTS -weight:DATA

192

MTB > table c2 c3; MTB > mean c1. ROWS: temp

COLUMNS: food

1

2

3

ALL

1

12.667

20.000

23.667

18.778

2

13.000

25.000

27.333

21.778

3

33.333

24.000

19.000

25.444

ALL

19.667

23.000

23.333

22.000

CELL CONTENTS -weight:MEAN

MTB > help twoway

TWOWAYAOV data in C, rows in C, columns in C TWOWAYAOV C, C, C put residuals into C [and fits into C] Subcommand: ADDITIVE Two-way analysis of variance for balanced data. If there is just one observation per cell or if you use the subcommand ADDITIVE, then an additive model (a model withot an interaction term) is fit. Otherwise, the full model is fit. (residual) =

In both cases,

(observation - fitted value).

193

Note, the output from TWOWAYAOV is shorter than in earlier releases of Minitab. Now, if you want a table of cell means, standard deviations, fitted values, or residuals use the command TABLE. MTB > twoway data in c1; subscri in c2 c3

MTB > twoway data in c1, subscri in c2 c3

ANALYSIS OF VARIANCE ON weight SOURCE temp food

INTERACTION ERROR TOTAL

194

DF

SS

MS

2

200.7

100.3

4

786.7

196.7

26

1258.0

2 18

74.0

196.7

37.0 10.9

Lampiran Tabel t,Z. c2, F, d-w, dan lainnya. 1. Tabel t

195

2. Tabel Z

196

3. F table

197

198

199

4. Tabel c2

200

5. Tabel Durbin_watson d

201

202

DW = 2 ( 1 – rho ) Daerah bermasalah bila (1) Nilai DW antara £ dl atau (2) antara (4 - dl) Daerah yang tidak jelas (inconclusive) yaitu pada daerah dl ke du atau (4 - du) Daerah yang tidak ada autocorelation-nya yaitu pada daerah du – ke 4-du

6. Tabel Kolmogorov – Smirnov

203

Contoh penggunaan K-S sbb : VLight

Light

Medium

Dark

Total

Observed

50

30

15

5

100

Proporsi (%)

.50

.3

.15

.5

100%

Komulatif proportion-A

.50

.80

.95

1.00

Ho (equal probability)

.25

.25

.25

.25

Kom. Ho. - B

,25

.50

.75

1.00

A-B

.25

.30

.20

0

100% .75

Ho. Penjualan Lipstick VL : L : M : D sama (equal) Hi. Penjualan masing masing type berbeda Ho. Ditolak jika S(A-B) > Nilai krtisnya yaitu 1.36 / Ö100 = 0.136 dalam hal ini .75 > 1.36, dengan demikian kesimpulannya penjualan lipstick tersebut berbeda porsi penjualannya.

7. Aplhabet Yunani / Greek

204

Lampiran Model-model grand theory sebagai acuan untuk membuat model Multivariate 1) Model Philip Kotler, 1997, p172

205

2) MODEL SCHIFFMAN KANUK ,1997, P565

206

Theory of Reasoned Action

207

208

VALS – 2

209

3) Model Henry Assael., 1995, p18.

210

211

Model Consumer Decision Making – Schiffman & Kanuk, 1991,p557)

212

Nicosia Model of Consumer Decision Process ,1966)

213

Model Howard-Sheth of Buyer Behavior (1969)

214

Model The Engel-Kollat-Blackwell – Consumer Behavior (1986)

215

Model Sheth Family Decision Making (1974)

216

Bettman Information Processing Model of Consumer Choice Model (1979)

217

218

Prilaku Organisasi

219

Pengertian component dari theory 1. Concepts à a generally accepted bundle of meaning or characteristic associated with certain events, objects, conditions, situations, and bhaviors. Contoh : spreadsheed or warranty cards, purchase, runninn. 2. constructs à an image or idea spcesifically invented for a given research and/or theory- building purpose. Exp. language skill constuct (syntac, vocabulary, spelling, exp2 à intelegence 3. Definition à exp patron didifinisikan sebagai à customers, clients, clients didifinisikan sebagai à dstnya …… 4. Variables : a. Independent (IV) dependent variables (DV) b. moderating variables (MV) is a second independent variables that is included because it is belivedto have a significant contributory or contingent effect exp. the intro of 4 days workweek (IV) will lead to higher productivity (DV) especially for younger workers (MV) c. extraneous variable (EV or control variable) à kemungkinan adanya IV lainnya à exp. among recident with less than high school education (EV), the loss of highincome mining jobs (IV) leads to acceptance of higher-risk behavior to eardn a family-suppoerting income – race car driving or nocturasl scavaging (DV) – especially due to the proximity of firing range (MV) d. Intervining variables (IIV) à factor which theoreticaly affect the observed phenomenon but can not be seen, measured, or manipulated (dapat melalui IV, atau MV) exp. the introduction of 4-workweek (IV) will lead to higher productivity (DV) by incresing job satisfaction (IIV) -- exp.2 – a promotion campaign (IV) will increase saving activity (DV) especially when free prizes are offered

220

(MV) but chiefly among smaller savers (EV-control), the results come from enhancing the motivtion to save (IIV) 5. Proposition à a statement about concepts that may be jugeded as true or false 6. Hypothesis à a tentative and conjectural nature (to be tested) 7. Theory à a set of systematcally interrelated concepss, definitions, and propositions that are advanced to explain and predict phenomenon (facts) 8. Models à a representation of a system that is constructed to study some aspect of that system or the system as a whole

221

Contoh – Contoh :

222

223

224

225

226

227

Integrating Contemporary Theories of Motivation Stephen P Robbins (2003) Organizational Behavior 10th ed. Prentice-Hall New Jersey, p177

228