09 Desember 2009

ANALISIS DISKRIMINAN

"Discriminant analysis is useful in situation where the total sample can be divide into group based on a dependent variable characterizing several known case. The primary objectives of multiple discriminant analysis are to understandgroup differencess and to predict the likelihood that an entity (individual or object) will belong to a particular class or group based on several metric independent variable," (Hair, Anderson, Tatham, Black,1995)
("Analisis diskriminan berguna pada situasi di mana sampel total dapat dibagi menjadi grup-grup berdasarkan karakteristik variabel yang diketahui dari beberapa kasus. Tujuan utama dari analisis multipel diskriminan adalah untuk mengetahui perbedaan antargrup,"(Hair, Tatham, Anderson, Black,1995).
Sumber : Sofyan dan Heri, 2009



Analisis diskriminan digunakan untuk untuk memodelkan suatu hubungan antara variabel dependen yang berdata kategori dengan beberapa variabel independen (prediktor). Analisis diskriminan berusaha untuk mengelompokan setiap objek ke dalam dua atau lebih kelompok berdasarkan pada sejumlah kriteria variabel independen. Asumsi dalam analisis diskriminan yaitu :
  1. Tidak adanya multikolinieritas antara variabel independen. Multikolinieritas terjadi karena ada korelasi yang tinggi pada variabel-variabel independennya.
  2. Setiap variabel independen mengikuti fungsi distribusi normal. Namun belum ada batasan yang jelas mengenai penyimpanan normalitas diperbolehkan.
  3. Adanya homogenitas varians antara kelompok data. homogenitas varian menunjukkan bahwa sampel yang digunakan berasal dari populasi yang sama. Penyimpangan terhadap asumsi ini akan berpengaruh terhadap ketepatan klasifikasi dan hasil uji signifikansi.

Contoh kasus
Sebuah tempat pariwisata, yang banyak dikunjungi wisatawan akan melakukan survey terhadap para pengunjung. Variabel penelitian, antara lain informasi tempat wisata, sikap/persepsi, jumlah keluarga, umur kepala keluarga dan pendapan responden. Informasi tempat wisata dibagi 2 kelompok yaitu kelompok yang mendapatkan informasi dari promosi dan kelompok yang tidak mendapatkan informasi promosi. Pihak manajemen ingin mengetahui faktor apa yang mempengaruhi padamasing-masing kelompok? dan apakah ada perbedaan yang signifikan antara kelompok pertama dan kedua.

Baca juga :

  1. Langkah Analisis Diskriminan Dengan SPSS

  2. Analisis Korespondensi 

  3. Analisis Hierachical Cluster

  4. Multidonesional Scaling (MDS) 

Referensi :

Hair,J.F,.Black,W.C.,Babin,B.J.,and Anderson,R.E.(2009).Multivariate Data Analysis 7th Edition.Prentice Hall

Huberty,C.J and Olejnik,S.(2006).Applied Manova and Discriminant Analysis.New York: John wiley & Sons

Tabanick,B.G and Fidel,L.S. (2007). Using Multivariate Statistics 5th. New York: Pearson Education

Yamin,S dan Kurniawan,H.(2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Sofware SPSS.Jakarta : Salemba Infotek

KORELASI DAN ASOSIASI

"The primary objective is to measure the strength or degree associatioan between two variables. Ther coefficient correlation measures this strength of (linier) association. For example we may be interested in finding the correlation (coefficient) between smooking and lung cancer, between scores of statistics and mathematic examination, between high school grades and collage grades, and so on," (Gujarati, Damodar, 1995).

("Tujuan utama adalah mengetahui ukuran kekuatan atau kekuatan hubungan antara dua variabel. Koefisien korelasi mengukur kekuatan hubungan tersebut (linier). Misalnya kita tertarik untuk mencari korelasi (koefisien) antara merokok dengan kanker paru-paru, antara nilai statistik dan matematika, antara sekolah menengah dengan perguruan tinggi, dan sebagainya,"(Gujarati, Damodar,1995).
Sumber : Yamin dan Kurniawan,2009
 

 

Analisis korelasi adalah metode statistik yang digunakan untuk mengukur besarnya hubungan antara dua variabel atau antar set-variabel. Nilai korelasi berkisar antara -1 dan 1, dimana nilai korelasi -1 berarti hubungan antara dua variabel tersebut adalah negatif sempurna, nilai korelasi 0 berarti tidak ada hubungan antara dua variabel tersebut, sedangkan nilai korelasi 1 berarti bahwa terdapat hubungan positif sempurna antara dua variabel terswebut. 
Interpretasi dari besarnya nilai korelasi antara variabel dapat diklasifikasikan sebagai berikut :
0,00 - 0,09 : Hubungan korelasi diabaikan
0,10 - 0,29 : Hubungan korelasi rendah
0,30 - 0,49 : Hubungan korelasi moderat
0,50 - 0,70 : Hubungan korelasi sedang
Di atas 0,70 : Hubungan korelasi sangat kuat

Selain itu, untuk menentukan apakah besarnya hubungan itu signifikan atau tidak, kita dapat menyimpulkan dari nilai signifikan value (p-value) hasil uji korelasi.
(Sumber : Sofyan dan Heri, SPSS Complete, 2009)


Ada beberapa uji korelasi dan asosiasi yaitu :
  1. Korelasi Rank Spearman dan Kendall Tau. Korelasi ini digunakan untuk mengetahui hubungan antara dua variabel data yang berskala ordinal.
  2. Korelasi Pearson. Korelasi ini digunakan untuk mengetahui hubungan antara dua variabel yang berskalan interval. Dalam korelasi ini bahwa kedua variabel diasumsikan mengikuti distribusi normal.
  3. Koefisien Kontigency C (Cramer's V). Korelasi ini digunakan untuk mengetahui hubungan antara variabel yang berskala nominal.
  4. Measure of Agreement Cohen's Kappa. Korelasi ini digunakan untuk mengukur kesesuaian antara hasil evaluasi dua buah alat ukur ketika alat ukur tersebut digunakan untuk subyek yang sama.
  5. Asosiasi ETA. Asosiasi ini digunakan untuk mengetahui besarnya hubungan antara variabel data yang berskala nominal dan interval.

Baca juga :

  1. Korelasi Rank Spearman dan Kendall Tau
  2. Korelasi Pearson 
  3. Statistik nonparametrik 

Referensi :

Antonius,R. (2003). Interpreting Quantitative Data Wit SPSS.London New York: Sage Publications

Morgan,G.A et al.(2004). SPSS for Introductionary Statistics: Use and Interpretation 2nd.New Jersey London: Lawrence Erlbaum Associates

Rajathi,A and Chandran,P. (2006). SPSS for You.Chidambaram: MJP Publisher

Yamin,S dan Kurniawan,H. (2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Sofware SPSS. Jakarta : Salemba Infotek

03 Desember 2009

ANALISIS K-MEAN CLUSTER

"Cluster analyse is a technique for grouping individual or object into clusters so that object in same cluster are more like one another than they are like object in other cluster. Specifically the objective is to classify a sample of entities (individual or object) into a small number mutually exclusive groups based on the similarities among the entities. The first is the measurement of some form of similarity or association between the entities to determine how many groups really exsist in the sample. the second step is to profile the person or variable to determine their composition,"(Hair, Anderson, Tatham, Balck,1995).
 

("Analisis kluster adalah teknik untuk mengelompokkan individu atau objek menjadi beberapa kelompok tertentu dimana setiap objek yang berada dalam kuster yang sama mempunyai kemiripan satu dengan yang lain di bandingkan dengan anggota kluster lain. Secara khusus, tujuan analisis kluster adalah untuk mengklasifikasikan entitas sampel (individu atau objek) menjadi sejumlah kecil kelompok khusus yang di dasarkan pada kemiripan antarentitas. Analisis cluster umumnya menbutuhkan dua tahapan. Pertama, mengukur kemiripan atau asosiasi di antara entitas untuk menentukan berapa banyak kelompok yang akan dipakai pada sampel. Kedua, memprofilkan orang atau variabel untuk menentukan posisinya," (Hair, Anderson, Tatham, Black,1995).
Sumber : Sofyan dan Heri, SPSS Complete, 2009

Pada praktiknya, analisis kluster digunakan untuk segmentasi sejumlah konsumen (responden) ke dalam beberapa kelompok (kluster) berdasarkan kemiripan sejumlah atribut yang didefinisikan .
Ada dua teknik analisis kluster yaitu :
    1. K-Mean Cluster. K-Mean Cluster adalah analisis statistik yang berguna untuk mengelompokan sejumlah objek ke dalam jumlah kelompok yang sudah ditetapkan di mana karakteristik objek hanya dikelompokan berdasarkan variabel tertentu akan tetapi karakteristik latar belakang objek belum diketahui dengan pasti. Analisis ini sangat efektif dan efisien jika digunakan untuk mengelompokkan objek yang berjumlah besar. berdasarkan pengalaman, K-Mean Cluster ini digunakan untuk objek yang berjumlah lebih dari 100.
    2. Hierarchical Cluster. Hierarchical cluster adalah sebuah analisis kluster yang berusaha untuk mengelompokan objek berdasarkan kemiripan yang ada pada objek tersebut di mana objek yang serupa akan dikelompokkan bersama. Tipe analisis kluster ini digunakan bila objek yang akan dikelompokan berjumlah kecil. Biasanya jumlah objek kurang dari 100.
    Dalam prakteknya, langkah analisis dilakukan 2 proses :
    1. Melakukan standarisasi nilai/data yang akan dianalisis (dengan Z score)
    2. Setelah mendapatkan nilai yang distandarisasi, lakukan analisis selanjutnya.

    Baca juga :  

    1. Cara Analisis K Mean Cluster dengan SPSS,   

    2. Analisis Hierarchical Cluster Dengan SPSS

    3. Langkah Analisis Conjoint dengan SPSS

    Referensi :

    Abony,J dan Feil,B. (2007). Cluster Analysis for Data Mining and System Identification.Boston Berlin: Birkhauser Verlag

    Field,A. (2005). Discovering Statistics Using SPSS 2rd. London: Sage Publications

    Hair,J.F,.Black,W.C.,Babin,B.J.,and Anderson,R.E. (2009).Multivariate Data Analysis 7th Edition.Prentice Hall

    Kaufman,L and Rousseeuw,P.J. (2005). Finding Groups In data An Introduction to Cluster Analysis.New Jersey: John Wiley & Sons

    Yamin,S dan Kurniawan,H. (2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Sofware SPSS.Jakarta : Salemba Infotek

     


    01 Desember 2009

    PATH ANALYSIS Dengan SPSS

    "Employing simple bivariate correlations to estimate the relationships in a system of structural equation. The methode is based on specifying the relationships in a series of regression like a equation (portrayed graphically in a path diagram) that can then be estimated by determining the amount of correlation attributable to each effect in each equation simultaneously," (Hair, Anderson, Tatham, Black,1995)
    ("Korelasi bivariate sederhana digunakan untuk mengestimasi hubungan pada sistem persamaaan structural. Metodenya didasarkan pada pengkhususan hubungan pada seri regresi seperti persamaan (digambarkan berupa grafik pada diagram jalur) yang kemudian dapat diestimasikan dengan menetapkan jumlah korelasi yang menghubungkan masing-masing efek pada tiap persamaan secara simultan",(Hair, Anderson, Tatham, Black, 1995)
    Sumber : Sofyan dan Heri, 2009
     
     
     
    Pada dasarnya analisis jalur merupakan pengembangan dari analisis korelasi, yang dibangun dari diagram jalur yang dihipotesiskan oleh peneliti dalam menjelaskan mekanisme hubungan kausal antarvariabel dengan cara menguraikan koefisien korelasi menjadi pengaruh langsung dan tidak langsung. Analisis jalur dapat dikatakan sebagai analisis regresi linier dengan variabel-variabel yang dibakukan. Oleh karena itu, koefisien jalur pada dasarnya merupakan koefisien beta atau regresi baku. Diagram jalur yang dibangun oleh peneliti harus mempunyai dasar pertimbangan teoritis yang benar serta pengetahuan yang logis dan dapat dipertanggungjawabkan.
    beberapa istilah yang perlu dikatahui dalam analisis jalur adalah variabel eksogen, variabel endogen, variabel eror, dan koefisien jalur.