23 Desember 2011

Partial Least Square

Partial Least Square (PLS) dikembangkan pertama kali oleh Herman Wold (1982). Ada beberapa metode yang dikembangkan berkaitan dengan PLS yaitu model PLS Regression (PLS-R) dan PLS Path Modeling (PLS-PM ). PLS Path Modeling dikembangkan sebagai alternatif pemodelan persamaan struktural ( SEM) yang dasar teorinya lemah. PLS-PM berbasis varian berbeda dengan metode SEM dengan software AMOS, Lisrel, EQS menggunakan basis kovarian.
Ada beberapa hal yang membedakan analisis PLS dengan model analisis SEM yang lain :
  1. Data tidak harus berdistribusi normal multivariate.
  2. Dapat digunakan sampel kecil. Minimal sampel >30 dapat digunakan.
  3. PLS selain dapat digunakan unutk mengkonfirmasikan teori, dapat juga digunakan untuk menjelaskan ada atau tidaknya hubungan antar variabel laten.
  4. PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator reflektif dan formatif
  5. PLS mampu mengestimasi model yang besar dan kompleks dengan ratusan variabel laten dan ribuan indikator (Falk and Miller, 1992)
Pemodelan dalam PLS-Path Modeling ada 2 model :
  1. Model structural (Inner model) yaitu model struktural yang menghubungkan antar variabel laten.
  2. Model Measurement (Outer Model yaitu model pengukuran yang menghubungkan indikator dengan variabel latennya.
Model Partial Least Square

Dalam PLS Path Modeling terdapat 2 model yaitu outer model dan Inner model. Kriteria uji dilakukan pada kedua model tersebut.

16 Desember 2011

Analisis Regresi Ordinal

Metode regresi ordinal digunakan untuk memodelkan hubungan antara variabel dependen yang berskala ordinal, misalnya perbedaan kepuasan mahasiswa yang berkaitan dengan pengalaman masa kuliah, dan penjelasan variabel yang menyangkut demografi dan suasana belajar.  Variabel dependen untuk kepuasan siswa diukur dengan golongan , kategori skala empat likert : sangat puas, tidak puasa, puas dan sangat puas.Variabel demografi misalnya gender dan ras. suasana belajar menyangku masalah keterlibatan fakultas, materi kurikulum, penunjang fasilitas dan aktivitas waktu belajar. Untuk membangun model regresi ordinal yang perlu diperhatikan adalah variabel mana yang harus dimasukkan kedalam model dan memilih fungsi hubungan (misal. logit link atau complemeary link) yang menunjukkan kesesuaian model. Selain itu, model statistik yang sesuai, keakuratan hasil klasifikasi dan valdasi model, misalnya parallel lines, umumnya digunakan untuk menyeleksi model yang terbaik.
Seperti penjelasan di atas, regresi ordinal adalah regresi dimana variabel dependen atau terikat yang menggunakan skala ordinal. Apa itu skala ordinal? Skala ordinal adalah skala pengukuran berupa data tingkatan atau rangking. Sedangkan variabel independen atau bebasnya bisa berupa  covariate (jika skala interval atau rasio) dan factor (jika skala nominal atau ordinal)
Terdapat lima pilihan regresi ordinal atau disebut option link. Pilihannya tergantung dari distribusi data yang dianalisis. Kelima option link tersebut adalah :
  1. Logit. program SPSS secara default menggunakan opsi ini. Digunakan pada kebanyakan distribusi data.
  2. Complementary log-log. Digunakan untuk data yang mempunyai kecenderungan bernilai tinggi.
  3. Negative Log-log. Digunakan untuk data yang mempunyai kecenderungan rendah.
  4. Probit. Digunakan jika variabel laten terdistribusi secara normal.
  5. Cauchit (Inverse Cauchy). Digunakan jika variabel laten mempunyai nilai yang ekstrim
Contoh kasus
Seorang dosen ingin meneliti hubungan antara gender dan minat belajar di sebuah universitasnya. Variabel independen terdiri dari gender dan nilai prestasi belajar sedangkan variabel dependen adalah minat belajar diukur dalam 3 tingkatan yaitu rendah, sedang dan tinggi.
Download artikel [PDF]

Analisis Varians Dua Arah (Two-Way Anova)

"Analysis of variance is statistical technique used to determining whether samples come from populations with equal means. Univariate analysis of variance employs on dependent measure, whereas multivariate analysis of variance compares samples based on two or more dependent variables,"( Hair, Anderson, Tatham, Black, 1995).
Analisis varians adalah teknik statistik yang digunakan untuk memutus apakah sampel yang berasal dari populasi mempunyai mean yang sama. Analisis univariat menggunakan satu sampel dependen, sedangkan analisis multivariat membandingkan satu atau lebih variabel dependen.
Ketika perbandingan rata-rata melibatkan paling sedikit tiga kelompok data, maka dapat digunakan analisis varians. Analisis dengan satu faktor disebut One-Way Anova, analisis varians dua faktor disebut Two-Way Anova dan analisis tiga faktor disebut Three Way-Anova.
Contoh kasus
Seorang manajer supermarket ingin mengetahui apakah terdapat perbedaan jumlah pengeluaran antara jenis kelamin, dan tipe berbelanja. Jenis kelamin dibagi 2 yaitu wanita dan laki-laki. Tipe berbelanja dibagi 3 yaitu : tipe 1 (sebulan sekali), tipe 2 (sebulan 2 kali) dan tipe 3 (sebulan >2 kali).
Langkah-langkah analisis :
  1. Klik Analyze>General Linier Model>Univariate
  2. Masukkan Jumlah Belanja ke Dependent Variable
  3. Masukkan variable Jenis kelamin, tipe berbelanja ke kolom Fixed Factor
  4. Klik Option, pilih Homogenity test dan Descriptive statistics
  5. Blok Overall, Jenis kelamin, tipe berbelanja dan pindahkan ke kolom Display mean for
  6. Klik Save, pilih Standardized
  7. Klik Continue, kemudian OK
Download artikelnya [PDF]

15 Desember 2011

Measurement of Agreement Cohen's kappa

Ketika kita memiliki dua variabel nominal dengan nilai yang sama (biasanya dua observasi atau skor dengan kode yang sama), kamu dapat menggunakan Cohen's Kappa untuk mengetahui reliabilitas atau kesamaan dalam pengukuran. 
"When we have two nominal variables with the same values (usually two raters' observations or scores using the same codes), you can compute Cohen's Kappa to check the reliability or agreement between the measures" (George, Nancy, Gene, Karen, 2004).
Penerapan metode ini dalam manufaktur biasanya diterapkan di bagian quality kontrol. Barang-barang yang diproduksi akan di kontrol dibagian ini, barang diterima (accept) sesuai standard atau ditolak (reject). Ada 2 hal yang perlu diperhatikan yaitu alat ukur pengetesan yang dipakai dan karyawan yang melakukan pengetesan.  Dalam hal ini Measurement of Agreement Cohen's Kappa digunakan untuk mengukur kesesuaian antara hasil evaluasi dua buah alat ukur (alat ukur pengetesan dan karyawan pengetesan) ketika alat ukur tersebut digunakan untuk subyek yang sama.

Contoh kasus
Perusahaan formula memproduksi komponen piston untuk komponen sepeda motor. Dalam 2 bulan terakhir, perusahaan sering mendapatkan komplain/penolakan dari perusahaan penerima komponen hasil produksinya. Hal ini berkaitan dengan lolosnya komponen piston yang ditolak (reject). Oleh karena itu untuk mengurangi lolosnya komponen yaang ditolak dan meningkatkan kualitas pengawasan , bagian quality control perusahaan ingin mengetahui tingkat kemampuan karyawan pada bagian QC. pertama, supervisor quaity kontrol mengambil 13 komponen piston yang ditolak (reject) dan 17 piston yang diterima (accept), kemudian komponen tersebut diacak namun sebeumnya ditandai nama piston yang reject dan accept. Ada 3 karyawan bagian quality kontrol yang akan melakukan pengetesan, mereka diminta memeriksa setiap komponen 1-30 tersebut apakah termasuk kategori ditolak (reject) atau diterima (accept). Siapakah diantara ketiga karyawan tersebut memiliki tingkat pengawasan terbaik?
Langkah-langkah analisis :
  1. Klik Analyze>Descriptive Statistics>Crosstabs
  2. Masukkan variabel komponen uji standard ke dalam Coulomn
  3. Masukkan variabel karyawan A kelom Row(s)
  4. Klik tombol Statistics dan pilih Kappa
  5. Kemudian klik Continue dan OK
Ulangi langkah ke-2 sampai ke-5 untuk variabel karyawan B dan karyawan C.

Download artikelnya [PDF]

12 Desember 2011

PERANAN MEDIATOR DALAM PLS MODEL

Dalam model SEM, konsep dasar analisis yang melibatkan variabel mediator apabila variabel eksogen (independen) mampu mempengaruhi variabel endogen (dependen) melalui variabel lain yang disebut dengan variabel mediator (M). Artinya variabel independen (X) dapat mempengaruhi variabel mediator dan variabel mediator (M) mempengaruhi variabel dependen (Y). Secara visual dapat dilihat pada gambar di bawah ini.
Peranan Mediator dalam PLS

Menurut Baron dan Kenny (1986), peranan variabel sebagai mediator terjadi apabila :
  1. Variasi pada variabel independen mampu menjelaskan secara signifikan variasi dalam variabel mediator (path a)
  2. Variasi pada variabel mediator mampu menjelaskan secara signifikan variasi dalam variabel dependen (path b)
  3. Ketika variabel mediator dikontrol (path a dan path b), hubungan antara variabel independen dan variabel dependen tidak atau signifikan (path c)

04 Desember 2011

UJI WILCOXON

Uji Wilcoxon termasuk dalam pengujian nonparametrik. Pengujian ini dilakukan untuk membandingkan antara dua kelompok data yang saling berhubungan. Uji ini memiliki kekuatan tes yang lebih dibandingkan dengan uji tanda. Asumsi-asumsi untuk uji Wilcoxon. Data yang digunakan setidaknya berskala ordinal.
Contoh kasus.
Dari 15 orang siswa TK diminta menyusun urutan angka dari yang terkecil sampai yang terbesar. Skor dihitung dari benarnya susunan. Pada hari berikutnya siswa-siswa tersebut diminta kembali untuk menyusun angka tersebut dengan diiringi musik.


Hasil Nilai Urut Angka
Langkah analisis
  1. Klik Analyze>Nonparametric Test>2 Related Sample
  2. Masukkan kedua variabel kekolom Test Pair List
  3. Pilih Wilcoxon, klik Continue
  4. Kemudian OK
Hipotesis :
H0 = Tidak terdapat perbedaan skor yang signifikan terhadap perlakuan tanpa musik dan dengan musik
H1 = Terdapat perbedaan skor yang signifikan terhadap perlakukan tanpa musik dan dengan musik
Kriteria uji : Tolak hipotesis nol (H0) jika nilai signifikansi p-value (<0.05)
Hasil Output SPSS

Hasil Uji Wilcoxon

ANALISIS HIERARCHICAL CLUSTER

" Cluster analysis is 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 clasify a sample of entities (individual or object) into a small number mutually exclusive groups based on the similarites among the entities. Cluster analysis usually involves at least two step. The first is the measurement of some form of similarity or association between the entties to determine how many groups really exist in the sample. The second step is to profile the person or variable to determine their composition " (Hair, Anderson, Black, 1995)
Analisis kluster adalah teknik untuk mengelompokkan individu atau objek menjadi beberapa kelompok tertentu dimana setiap objek yang berada dalam kluster yang sama mempunyai kemiripan satu dengan yang lain dibandingkan dengan anggota kluster yang lain. Secara khusus, tujuan analisis kluster adalah untuk menklasifikasikan entitas sampel (individu atau objek) menjadi sejulah kecil kelompok khusus yang didasarkan pada kemiripan antar entitas. Analisis kluster umumnya membutuhkan dua tahapan. Pertama, mengukur kemiripan atau asosiasi diantara 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 : Yamin dan Kurniawan, 2009

02 Desember 2011

UJI MANN-WHITNEY U

"The Mann-Whitney U test is a nonparametric test for beween-subjects design using two levels of an independent variable scores that are measured at least at ordinal level. It is often used in place of the t test for independent groups when there is an extreme violation of the normality assumption or when the data are scaled at a level that is not appropriate for the t test" (Robert Ho, 2006)

Uji Mann-Whitney U adalah tes nonparametrik yang digunakan untuk mengetahui apakah terdapat perbedaan respon dari 2 populasi data yang saling independen ketika data lebih lemah dari skala interval. Uji ini dapat disamakan dengan t test untuk 2 kelompok yang independen ketika terjadi pelanggaran terhadap asumsi normalitas atau skala data tidak sesuai untuk uji t. Formula uji U :

Rumus Mann Whitney

Dimana : U = Nilai Mann Whitney,= Jumlah sampel pertama,  = Jumlah sampel kedua, 1 dan 2 = konstanta, R = Jumlah jenjang sampel.
Contoh kasus
Seorang guru bahasa Inggris ingin mengetahui apakah ada perbedaan nilai kemampuan conversation bahasa Inggris antara siswa laki-laki dan perempuan. Diambil 30 siswa sebagai sampel.
 
Nilai Bahasa Inggris

Langkah analisis :
  1. Klik Analyze > Nonparametric > 2 Sample Independent
  2. Masukkan nilai conversation ke dalam kolom Variable List
  3. Masukkan variabel jenis kelamin ke dalam kolom Grouping
  4. Klik Define group, isi angka 1 dan angka 2. Klik OK
Hipotesis :
H0= Tidak ada perbedaan nilai conversation bahasa Inggris antara siswa laki-laki dan perempuan
H1= Terdapat perbedaan nilai conversation bahasa Inggris antara siswa laki-laki dan perempuan

Kriteria uji : Tolak hipotesis nol (H0) jika nilai signifikan p-value (< 0.05)
Hasil Output SPSS
Nilai Rank
Hasil Uji Mann Whitney


Oleh karena nilai signifikansi p-value sebesar 0.000 ( < 0.05) maka tolak hipotesis nol (H0). artinya bahwa terdapat perbedaan nilai conversation bahasa Inggris antara siswa laki-laki dan perempuan.

Download artikel [PDF]

27 November 2011

STRUCTURAL EQUATION MODELING (SEM) DENGAN AMOS

AMOS (Analysis of Moment Structures) merupakan salah satu program analisis Structural Equation Modeling (SEM) berbasis kovarian yang saat ini sudah sangat dikenal. Salah satu keunggulan program ini karena user friendly. program ini menyediakan kanvas pada program AMOS Graphichs dan ikon yang mudah kita ingat untuk menggambar model. penulis dalam hal ini menggunakan software AMOS 18. Ada 7 angkah analisis SEM dengan program AMOS :
Pengembangan model
Model yang dibangun berdasarkan tori yang kuat. Karena SEM tidak untuk menghasilkan model tetapi untuk mengkonfirmasi bentuk model, dalam hal ini hubungan kausalitas diantara variabel tidak dibentuk oleh model tetapi dibangun oleh teori yang mendukungnya. Kali ini kita lakukan pengembangan model mengenai Employee Retention. Dalam model ini terdapat 5 variabel laten : Enviromental Perceptions (EP), Attitude Toward  Cowokers (AT), Job Satisfactions (JS), Organization Commitment (OC), dan Staying Intentions (SI).
Membuat diagram alur
Tujuannya adalah menggambarkan model teoritis yang telah dibangun pada langkah pertama ke sebuah diagram jalur agar peneliti dengan mudah dapat mencermati hubungan kausalitas yang ingin diuji.
Diagram Alur


Konversi Diagran Jalur 
Koversi diagram jalur ke dalam persamaan model pengukuran dan structural. Dalam konversi ini ada dua    bentuk persamaam yaitu persamaan pada model pengukuran dan persamaan pada model struktural.


Konvesi Diagram Alur dalam Notasi

Memilih data input dan estimasi model
Tujuannya adalahmenetapkan data input yang digunakan dalam pemodelan dan teknik estimasi model. Dalam SEM data input yang dianalisis adalah berupa matriks kovarian atau matirk korelasi. Para pakar menyarankan untuk menggunakan matrik kovarians daripada matrik korelasi. Teknik estimasi kali ini menggunakan Maximim Likelihood Estimation (ML). Ada dua tahapan yang dilakukan untuk estimasi yaitu : 
  1. Model pengukuran (Measurement Model). Tahap ini dilakukan uji unidimensional dari konstruk-konstruk eksogen dan endogen dengan teknik Confirmatory Factor Analysis (CFA). CFA dilakukan dengan membuat hubungan korelasi antara masing-masing.
  2. Model Structural Persaman (Structural Equation Model). Langkah ini dilakukan untuk melihat kesesuaian model dan hubungan kausalitas yang dibangun dalam model yang diuji. Model ini dilakukan dengan mengganti hubungan korelasi (dua anak panah) dengan satu anak padah pada masing-masing variabel laten.
Evaluasi masalah identifikasi model
Tujuannya adalah untuk mendeteksi ada tidaknya masalah identifikasi berdasarkan evaluasi terhadap hasil estimasi yang dilakukan. Masalah yang diidentifikasi : program komputer tidak menghasilkan matrik informasi yang harus disajikan, standard error yang besar untuk satu atau lebih, munculnya angka yang aneh seperti adanya varians eror yang negatif.
Evaluasi kiteria Goodness Of the Fit (GOF)
Tujuan adalah untuk mengevaluasi pemenuhan asumsi yang disyaratkan SEM, dan kesesuaian model bedasarkan kriteria Goodness Of the Fit (GOF) tertentu. Beberapa uji kesesuaian model : 
  • Uji Chi-square dan probabilitas yaitu ukuran kesesuaian model berbasis Maximum Likelihood (ML). Di harapkan nilai Chi-Square rendah sehingga diperoleh nilai signifikansi yang tinggi (>0.05).
  • Root Mean Square Error of Approximation (RMSEA) yaitu nilai aproksimasi akar kuadrat rata-rata eror. Diharapkan nilainya rendah <0.08)
  • Goodness Of the Fit (GFI) yaitu ukuran kesesuaian model secara deskriptif. Nilai GFI > 0.90 mengindikasikan model fit atau model dapat diterima.
  • Adjusted Goodness of the Fit (AGFI) yaitu nilai GFI yang disesuaikan. Nilai GFI >0.90.
  • Cmin/df yaitu nilai Cmin/df < 2.00 mengindikasikan bahwa model fit dengan data.
  • Normal Index Fit (NFI) yaitu ukuran kesesuaian model dengan basis komparatif terhadap base line atau model nol. Diharapkan nilai NFI > 0.90.
  • Comparatif Fit Index (CFI) yaitu ukuran kesesuaian model berbasis komparatif dengan model null. Nilai CFI berkisar antara 0.0 sampai dengan 1. CFI >0.90 dikatakan model fit dengan data.
  • Tucker-Lewis Index (TLI), nilai TLI diharapkan > 0.90 dapat dikatakan fit dengan data.

Download artikel [PDF]

26 November 2011

KOEFISIEN KONTINGENSI C (CRAMER'S V)

Nominal variables that have distinct unordered levels, each subject is in only level (you can be only be male or female). Chi-square or phi/cramer's V are good choices for statistics when analyzing two nominal variables. They are less appropriate if either variable has three or more ordered levels because the statistcs do not take in account the order and, thus, sacrifice power if used with ordinal or scale variables (Morgan, G.A, Gloeckner G.W, Barret K.C, 2004)
Variabel nominal memiliki tingkatan yang tidak berbeda, masing-masing memiliki level yang sama (bisa hanya laki-laki atau perempuan). Chi-square atau phi/cramer's V adalah pilihan yang baik dalam statistik ketika menganalisis dua variabel nominal. 

Contoh kasus.
Seorang peneliti ingin mengetahui apakah terdapat hubungan antara tingkat pendidikan seseorang dengan partai pilihannya.

Data Pendidikan dan Partai Pilihan
Langkah-langkah analisis :
  1. Klik Analyze>Descriptive Statistic>Crosstab
  2. Masukkan variabel pendidikan ke dalam Colomn (s)
  3. Masukkan variabel partai ke dalam kolom row(s)
  4. Klik tombol statistic dan pilih opsi Chi-square dan Phi and Cramer's V
Hasil Output

Uji Chi-square Test

Uji Crammer's V
Hipotesis :
H0 = Tidak terdapat hubungan yang signifikan antara tingkat pendidikan dengan partai pilihannya
H1 = terdapat hubungan yang signifikan antara tingkat pendidikan dengan partai pilihannya.

Kriteria uji.
Tolak hipotesis nol (H0) jika nilai signifikansi < 0.05
Oleh karena nilai p-value crammer's V sebesar 0.000 < 0.5, maka kesimpulannya adalah terdapat hubungan yang signifikansi antara tingkat pendikan dan partai pilihannya.

Keterangan.
Crammer's V lebih tepat digunakan untuk tabel kontigensi lebih dari 2 x2 sedangkan statistik Phi lebih diajurkan untuk tabel kontigensi 2 x 2.

Selengkapnya download artikel [PDF]

21 November 2011

Pengenalan Aplikasi WarpPLS : A Nonlinier Partial Least Square (PLS) Path Modeling

WarpPLS adalah software aplikasi yang dikembangkan oleh Ned Kock menggunakan Matlab compiler dan Java.  Software ini dapat menganalisis model SEM yang berbasis varian atau lebih dikenal dengan Partial Least Square. Model analisis SEM dengan WarpPLS dapat mengidentifikasi dan mengestimasi hubungan antar variabel laten apakah hubungan tersebut bersifat linier atau non linier. Ada 4 pilihan estimasi model yaitu :
  1. Warp3 PLS Regression : hubungan antar variabel laten diidentifikasi dan estimasi berbentuk kurva "S" (S curve).
  2. Warp2 PLS Regression : hubungan antar variabel laten diidentifikasi dan estimasi berbentuk kurva "U" (U curve)
  3. PLS Regression : Hubungan antar variabel laten diidentifikasi dan estimasi bersifat linier.
  4. Robust Path Analysis : untuk mengetahui/menghitung skor faktor dari rata-rata nilai semua indikator dengan variabel latennya.
Pengenalan WarpPLS 2.0 :
Pertama kali membuka akan muncul command prompt window. Jangan menutupnya, tunngu beberapa saat akan muncul Main window.

Klik proceed to use software
Menu Proceed to use software
Menu Pada WarpPLS

Keterangan :
  1. Menu Project : pada menu ini kita dapat menyimpan nama file kerja.
  2. Menu Setting : menu ini menyediakan seting pilihan untuk model analisis ; war3 PLS Regresion, warpPLS2 Regression, PLS Regression, dan Robust Path Analysis. terdapat juga pilihan metode resampling (bootstrapping dan jackknifing).
  3. Menu 5 langkah analisis SEM
  4. Menu tombol langkah analisis SEM : proceed to step 1 sampai proceed to step 5.
  5. Menu status 5 langkah analisis SEM.
Langkah analisis :
Proceed to step 1
Pada langkah ini terdapat menu pilihan buka atau membuat file kerja baru. Pilih create project file. Simpan file pada direktori yang diinginkan. file dalam bentuk ekstensi (.prj)

Menu Create Project

20 November 2011

UJI KOLMOGOROV-SMIRNOV

"The Kolmogorov-Smirnov and Shapiro-Wilk tests do just this : they compare the scores in the sample to a normally distribution set of scores with the same mean and standard deviation. If the test is non-significant (p>0.05) it tells us that the distribution of the sample is non-significant different from a normal distribution (i.e. it is probably normal). If, however,the test is significant (p<0.05) then the distribution is question is significant different from a normal distribution (i.e. it is non-normal). (Andy Field, 2000)

Uji Kolmogorov-Smirnov termasuk dalam uji nonparametrik untuk kasus satu sample (one sample Kolmogorov-Smirnov). Uji ini dilakukan untuk menguji asumsi normalitas data. Tes dalam uji ini adalah tes goodness of fit yang mana tes tersebut untuk mengukur kesesuaian antara distribusi serangkaian sampel (data observasi) dengan distribusi frekuensi tertentu.

Contoh kasus
Data hasil ujian psikotes 30 mahasiswa apakah berdistribusi normal?
Nilai Psikotes

Langkah-langkah SPSS 
  1. Klik Analyze >Nonparametric >1 Sample K-S
  2. Masukkan variabel ujian psikotes ke dalam Test Variable List
  3. Klik OK
Hipotesis
H0= Nilai ujian psikotes berdistribusi normal
H1= Nilai ujian psikotes tidak berdistribusi normal

Kriteria uji :
Tolak hipotesis nol (H0) bila asymtotic signifikan value uji Kolmogorov-Smirnov < 0.50

Hasil Output SPSS

Nilai Kolmogorov smirnov Z

Hasil analisis di atas nilai Kolmogorov-Smirnov sebesar 0.799(>0.05), maka hipotesis nol (H0) diterima yang artinya nilai ujian psikotes 30 mahasiswa berdistribusi normal. Karena Kolmogorov-Smirnov test digunakan untuk mengetahui normalitas data, kita akan bandingkan dengan analisis QQ Plot. Apakah data juga berdistribusi normal ?

Kurva QQ Plot

Hasil uji dengan Diagram QQ Plot tampak bahwa data mengikuti garis diagonal yang menunjukkan bahwa data hasil ujian psikotes 30 mahasiswa bedistribusi normal.

Download artikel [PDF]

19 November 2011

KORELASI PARSIAL

"We Use partial correlations to find out the size of the unique portion of variance. Therefore, we could conduct a partial correlation between exam anxiety and exam performance while controlling the effect of revision time"(Andy Field, 2006).

Partial correlation atau korelasi partial menghitung koefesien yang menggambarkan hubungan linier antara dua variabel dengan melakukan pengontrolan efek yang muncul karena penambahan satu atau dua variabel lain. Korelasi digunakan untuk mengukur hubungan linier dua variabel. Jika hubungan kedua variabel tidak cocok untuk mengukur hubungan kedua  variabel tidak linier, maka koefsien korelasi tidak cocok untuk mengukur hubungan kedua variabel tersebut.
Sebelumnya kita sudah mengenal korelasi Pearson, Rank Spearman dan Kendall 'Tau. Korelasi tersebut adalah korelasi bivariate yang digunakan untuk mengukur hubungan linier dua variabel. Namun untuk korelasi parsial hubungan linier tersebut akan ditambahkan satu variabel lagi sebagai variabel pengontrol. Variabel pengontrol berfungsi sebagai pengontrol hubungan tersebut, apabila ditambahkan korelasinya akan terjadi perubahan atau tidak.
Perubahan korelasi tersebut dapat dibandingkan untuk kasus yang sama dengan data yang sama yaitu pengujian korelasi bivariate dan uji parsial.

Contoh kasus
Kita ingin meneliti berapa besar hubngan antara jumlah salesman dan pembelian produk. Sebagai variabel kontrol kita menggunakan variabel harga.
Langkah analisis :
  1. Klik Analyze<Correlate<Partial
  2. Masukkan variabel sales dan pembelian ke kolom variable(s)
  3. Masukkan variabel harga ke kolom controlling for
  4. Klik OK
Selengkapnya download artikel [PDF]

17 November 2011

Pengenalan Structural Equation Modeling (SEM) Dengan SmartPLS

SmartPLS merupakan salah satu software statistik untuk metode structural Equation Modeling (SEM) berbasis varians. Software ini dapat diunduh di SmartPLS. Pada saat ini yang digunakan pada versi SmartPLS 2.0. SmartPLS menyediakan menu untuk menggambar model SEM, sehingga mempermudah pemakainya tanpa harus menuliskan kode seperti software lainnya. Setelah mendownload dan menginstal, langkah selanjutnya cara memulainya sebagai berikut :

Menu Awal SmarPLS

 
 1. Tampilan pertama pada SmartPLS.Klik OK
Menu close tab

2. Klik Close seperti pada gambar diatas.

Menu utama SmartPLS


Sekarang sudah terlihat menu utama pada SmartPLS

Langkah analisis dengan SmartPLS :

Menu create project
  1. Klik File, New, Create New Project
  2. Ketik nama pada project name, kemudian klik next, contoh : Latihan SmartPLS. Kemudian Klik Next.
Menu file name

Pada File name, cari folder dan nama file yang akan dianalisis. Kali ini contohnya di folder E, nama file : Latihan SmartPLS. Seperti terlihat pada gambar di bawah ini. Kemudian klik Next.
Ingat : data yang akan dianalisis disimpan dalam tipe CSV atau txt.

4. Selanjutnya adalah melakukan setting data. Caranya :
  • Beri tanda centang (v) pada menu The Indicator data contains mossing values.
  • Pada menu missing value, angka -1,0 ganti menjadi -999.
  • Hilangkan tanda centang pada menu The Indicator data contains missing values.
  • Klik Finish.
Menu setting data


5. Tampilan berikutnya seperti gambar di bawah ini. Nama project yang tadi dibuat sekarang sudah terlihat.

Menu Project

 6. Selanjutnya kita akan menggambar path diagram (diagram alur) model SEM yang akan dianalisis.

Dapatkan artikelnya :
  1. Tutorial 1 [PDF]
  2. Tutorial 2 [PDF]

10 November 2011

CONTROL CHART FOR ATTRIBUTE

Control chart for attribute atau diagram kontrol atribut digunakan apabila data yang diperoleh berbnetuk data atribut. Data atribut hanya memiliki dua nilai yang berkaitan dengan ya atau tidak, seperti: sesuai atau tidak sesuai , bagus atau jelek, terlambat atau tidak terlambat (tepat waktu), dan lain-lain. Data ini dapat dihitung untuk keperluan pencatatan dan analisis. Diagram kontrol untuk data atribut adalah penting untuk beberapa alasan berikut :
  • Situasi-situasi yang berkaitan dengan data atribut ada dalam proses teknikal atau administrasi, sehingga teknik-teknik analisis atribut menjadi berguna dalam banyak penerapan.
  • Data atribut telah tersedia dalam banyak situasi termasuk dalam aktivita inspeksi material, proses perbaikan atau inspekasi akhir.
  • Apabila data baru harus dikumpulkan, informasi atribut pada umumnya mudah diperoleh atau tidak mahal, serta tidak membutuhkab keterampilan khusus untuk mengumpulkan data.
  • Kebanyakan data yang dikumpulkan untuk pelaporan manajemen adalah dalam bentuk atribut dan menjadi lebih bermanfaat apabila dilakukan analisis dengan diagram kontrol untuk data atribut tersebut.
Memprioritaskan area masalah dan menggunakan diagram kontrol itu ditempat yang paling membutuhkan. Penggunaan diagram kontrol untuk data atribut yang berkaitan dengan ukuran-ukuran kunci kualitas secara keseluruhan seringkali mampu memberikan petunjuk tentang area proses spesifik yang membutuhkan pengujian lanjutan, termasuk di dalamnya kemungkinan menggunakan diagram kontrol variabel.
Jenis-jenis kontrol chart atribut :
  1. P Chart. Digunakan untuk mengukur proporsi ketidaksesuaian dari item-item dalam kelompok yang sedang diinspeksi. Digunakan untuk mengendalikan proporsi produk cacat yang dihasilkan dalam suatu proses. Proporsi yang tidak memenuhi syarat merupakan rasio banyaknya item yang tidak memenuhi syarat dalam suatu kelompok terhadap total banyaknya item dalam kelompok tersebut. Jika item tersebut tidak standar pada satu atau lebih karakteristik yang diperiksa maka item itu digolongkan tidak memenuhi syarat.
  2. NP Chart. Diagram kontrol NP chart mirip dengan diagram kontrol P, tetapi pada diagram kontrol NP terjadi perubahan skala pengukuran. Diagram kontrol NP menggunakan ukuran banyaknya item yang tidak memenuhi spesifikasi atau banyaknya item yang tidak sesuai dalam suatu pemeriksaan. Diagram kontrol NP dan P dapat digunakan untuk situasi sebagai berikut ; data banyak item yang tidak sesuai adalah lebih bermanfaat dan mudah untuk diinteprestasikan dalam pembuatan laporan dibandingkan dengan data proporsi, ukuran contoh (n) bersifat konstan dari waktu ke waktu.
  3. C Chart. Suatu item yang tidak memenuhi syarat atau yang cacat dalam proses pengendalian kualitas didefinisikan sebagai tidak memenuhi satu atau lebih spesifikasi standar untuk item tersebut maka item tersebut akan dikategorikan cacat atau tidak memenuhi syarat. penggolongan produk cacat berdasarkan kriteria di atas kadang-kadang untuk jenis produk tertentu dianggap kurang representatif, karena mungkin saja suatu produk masih dapat berfungsi dengan baik walaupun satu atau lebih titik spesifikasi yang tidak memenuhi spesifikasi. Contohnya : perakitan komputer. Jika terdapat banyak titik lemahnya maka tentu saja produk tersebut perlu dikategorikan sebagai produk cacat atau tidak memenuhi syarat. Hal ini berarti bahwa perusahaan memberikan toleransi atas kelemahan pada satu atau beberapa titik spesifikasi yang tidak memenuhi syarat sepanjang tidak mempengaruhi fungsi dari produk tersebut. Oleh karenanya diagram kontrol yang sesuai adalah diagram kontrol C atau C chart yang didasarkan pada banyaknya titik spesifik yang tidak memenuhi syarat dalam suatu item.
  4. U chart. Diagram kontrol U mengukur banyaknya ketidak sesuaian (titik spesifik) per unit laporan inspeksi dalam periode yang mungkin memiliki ukuran contoh (banyaknya item yang diperiksa). Mirip dengan diagram kontrol kecuali pada banyaknya ukuran sampel yang digunakan. Pada diagram kontrol C memilki ukuran sampel pada setiap kali pengamatan adalah satu buah,sedangkan pada diagram kontrol U ukuran sampel dapat bervariasi pada setiap kali pengamatan. Sehingga dapat dikatakan bahwa diagram kontrol U dapat digunakan apabila ukuran contoh lebih dari satu unit atau mungkin bervariasi dari waktu ke waktu.

  5. Download artikel [PDF]


01 Oktober 2011

ANALISIS KORESPONDENSI

"Correspondence analysis allows you examine the relationship between two nominal variables graphically in a multidimesional space. It computes row and colomn scores and produces plot based on the scores. Categories that a similar to each other appear close to each other in the plots. In this way, it is to see which categories of variable are similar to each other which categories of the two variables are related," (Hair, Anderson,Tatham,Black,1995)

[Analisis korespondensi mengizinkan untuk  menyelidiki hubungan antara dua variabel nominal dalam bentuk grafik pada  jarak multidimensi. Analisis ini menghitung skor pada baris dan kolom dan menghasilkan grafik berdasarkan skor tersebut. Kategori yang saling bermiripan tampak saling berdekatan jaraknya. Dalam hal ini, sangat mudah untuk melihat kategori mana yang saling bermiripan atau kategori mana antara 2 variabel yang berhubungan]
Sumber : Yamin dan Kurniawan, 2009

Dari penjelasan di atas sudah sangat jelas bahwa analisis korespondensi termasuk analisis multivariate untuk variabel yang bersifat interdependensi. Hubungan interdependensi atau saling ketergantungan antarvariabel dapat dilakukan dengan Multidimensional Scaling (MDS) dan Corespondence Analysis (CA). Hubungan ini dapat dilhat dalam bentuk grafik berdasarkan skor variabel. MDS dapat dilakukan  pada data non metrik (nominal dan ordinal) maupun data metrik (interval dan rasio) sedangkan CA untuk data non metrik (nominal).
Contoh penerapan pada bidang pemasaran yaitu untuk membandingkan objek dalam hal ini produk dengan pesaing-pesaingnya.
Untuk analisis korespondensi kali ini dilakukan dengan menggunakan syntax. Apa itu syntax? Syntax adalah sebuah perintah pemrograman, perintah ini sebenarnya identik dengan pengisian menu pada kotak dialog seperti lewat SPSS Data Editor. Perintah ini sangat sederhana dan mudah dipahami, karena SPSS merupakan software aplikasi bukan software pemrograman.


Artikel dapat didownload [PDF]

29 Agustus 2011

MENGENAL AMOS GRAPHICS

AMOS (Analysis of Moment Structures) merupakan salah satu program analisis Sructural Equation Modeling (SEM) berbasis kovarian yang sangat dikenal. Salah satu keunggulan program ini karena user friendly. program ini menyediakan kanvas pada menu Amos graphic. Tidak seperti program SEM lainnya, kita harus menuliskan program yang sangat rumit sebelum menganalisisnya. Dengan Amos kita tidak menulis program tersebut, namun software akan membaca sendiri sesuai dengan gambar yang kita buat. Menu Amos graphic menyediakan kanvas dengan ikon-ikon yang mudah diingat untuk menggambar sebuah model. Penulis kali ini menggunakan AMOS 18.0. Tampilan menu Amos Graphic dapat dilihat pada gambar dibawah ini.

Menu Amos Graphic

Ikon-ikon dan fungsinya sebagai berikut :
  1. Rectangle icon : menggambar observed variable
  2. Oval icon : menggambar unobserved variable
  3. Indicator variable : menggambar laten variabel dan indikatornya
  4. Path icon : menggambar garis panah tunggal
  5. Covarian icon : menggambar garis panah ganda
  6. Error icon : menggambar variabel eror
  7. Title icon : menulis judul model
  8. Variable list (I) icon : menampilkan variabel digambar
  9. Variable list (II) icon : menampilkan variabel di model
  10. Single selection icon : memilih satu gambar
  11. Multiple selection icon : memilih semua gambar
  12. Multiple deselection icon : deselect semua gambar
  13. Duplicate icon : copi/dplicasi gambar
  14. Move icon : memindah gambar 
  15. Erase icon : menghapus gambar
  16. Shape change icon : menggubah ukuran gambar
  17. Rotate icon : menggubah indikator variabel
  18. Reflect icon : merefleksikan gambar
  19. Move parameter icon : memindah nilai parameter
  20. Scroll icon : menempatkan gambar ke bagian lain
  21. Touch-up icon : merapikan gambar
  22. Data file icon : memilih data
  23. Analyse properties icon : properti analisis
  24. Calculate estimates icon : menganalisis
  25. Clipboard icon : mengkopi gambar
  26. Text output icon : memilih data hasil analisis dalam bentuk teks
  27. Save diagram icon : menyimpan gambar/model
  28. Object properties icon : mendefinisikan properti variabel
  29. Drag properties icon : memindah properti objek
Ada beberapa cara dan aturan menggambar model dengan AMOS, antara lain :
  • Setiap konstruk yang posisinya sebagai kriteria harus memiliki eror
  • Setiap pengukuran harus mengandung eror. Besarnya eror adalah sama yaitu satu. Kecuali pada model regresi, Konstruk yang posisinya sebagai prediktor bisa tidak dilibatkan tetapi masing-masing prediktor harus dihubungkan dengan garis korelasi.
  • Setiap konstruk laten masing-masing minimal mempunyai satu vaiabel terukur
  • Setiap konstruk laten yang memiliki beberapa indikator, salah satu arah panah yang menuju indikator harus diberi bobot 1.
Langkah menggambar dan analisis dengan AMOS :
  1. Menyiapkan data. Data disimpan dalam format SPSS (.sav) supaya nanti Amos dapat menganalisis data tersebut. Tentunya dilakukan dengan menghubungkan model yang dibuat. Langkahnya File > Data file & File name. Pilih lokasi tempat menyimpan data. Klik Open > OK.
  2. Memilih keluaran analisis. Klik View > Analysis propertises > Output. Tandai (centang) antara lain : minimation history, standardized estimate, squared multiple correlation, test for normality and outlier, modification indices dan lain sebagainya.
  3. Gambar sesuai dengan model yang diinginkan.
  4. Memberi nama setiap konstruk. Caranya klik kanan pada objek, pilih project properties. Ketik nama pada variable name.
  5. Pada konstruk laten selain diberinama juga pemberian bobot. Caranya klik parameter kemudian tulis angka 1.
  6. Mengambil data. Setelah model/gambar selesai, saatnya mengambil data. Caranya klik View &Variable Data Set. kemudian muncul variable data set, lakukan drag and drop sesuai dengan nama variabelnya.
  7. Melakukan analysis. Klik Analyse & Calculate Estimate
  8. Menampilkan tabel ahasil analisis. Klik View &Text Output.
Nah... sekarang saatnya menginterpretasikan hasil output analisis.


Artikel dapat didownload [PDF]

02 Juni 2011

Pengantar Structural Equation Modeling (SEM)

Apakah itu SEM (Structural Equation Modeling)?
SEM merupakan penggabungan antara 2 konsep statistika,yaitu :
  1. Konsep analisis faktor yang masuk dalam dalam model pengukuran (measurement model). Model pengukuran menjelaskan hubungan antara variabel dengan indikator-indikatornya.
  2. Konsep regresi melalui model struktural (structural model). Model structural menjelaskan hubungan antar variabel.
Konsep SEM


Beberapa konsep dan definisi terkait dengan SEM :
  1. Variabel eksogen yaitu variabel yang mempengaruhi variabel lain atau disebut juga variabel independen.
  2. Variabel endogen yaitu variabel yang dipengaruhi oleh variabel lain atau disebut juga variabel dependen.
  3. Konstruk laten atau variabel laten yaitu variabel yang tidak terukur secara langsung dan memerlukan beberapa indikator.
  4. Indikator atau variable observeb adalah variabel yang nilainya dapat diukur secara langsung. 
         Indikator dapat dibagi menjadi 2 yaitu :
  1. Indikator reflektif yaitu indikator yang dianggap dipengaruhi atau merefleksikan konstruk laten. Lisrel, AMOS, EQS dan beberapa program lainnya hanya dapat menggunakan indikator ini.
  2. Indikator Formatif yaitu indikator yang mempengaruhi konstruk laten. Indikator formatif hanya dapat digunakan menggunakan metode Partial Leas Square (PLS).SmartPLS adalah program SEM yang dapat menggunakan metode ini.
Indikator Reflektif

Indikator Formatif
5. Path Diagram yaitu representatif grafis mengenai bagaimana bebarapa variabel pada suatu model  berhubungan   satu sama lain yang memberikan suatu pandangan yang menyeluruh mengenai mengenai suatu model.

Ada beberapa model SEM :
  1. Confirmatory Factor Analysis (CFA). Model ini merupakan model murni yang berisi model pengukuran.
  2. Regression Model. Model ini merupakan model yang terdiri dari prediktor dankriterium yang semuanya berupa konstruk empirik.
  3. Model penelitian eksperimen. model yang diaplikasikan pada analisis data penelitian eksperimen.
  4. Full model. Model ini dinamakan model utuh karena di dalamnya menggabungkan antara model pengukuran dan model struktural.
Software SmartPLS dapat diperoleh secara gratis/free di http://www.smartpls.de/
SmartPLS adalah program SEM yang menggunakan pendekatan varian. Ada beberapa kelebihan SmartPLS :
  1. Data tidak harus berdistribusi normal multivariate.
  2. Dapat digunakan sampel kecil (<30)
  3. Dapat digunakan untuk menganalisis konstruk yang dibentuk dari indikator reflektif maupun indikator formatif.
  4. Mampu mengestimasi model yang besar dan kompleks dengan ratusan variabel laten dan ribuan indikator.
Berikut ini perbandingan antara PLS-SEM (berbasis varian) dan CB-SEM (berbasis kovarian).
- PLS-SEM
  1. Bertujuan orientasi prediksi 
  2. Menggunakan pendekatan variance
  3. Tidak mengasumsikan berdistribusi normal (non-parametrik)
  4. Estimasi parameter : konsisten sebagai indikator dan sample size meningkat (consistency at large)
  5. Skor variable laten (konstrak) secara eksplisit diestimasi.
  6. Hubungan antara variabel laten (konstrak) dan indikator dapat berbentuk reflektif maupun formatif.
  7. Optimal untuk ketepatan prediksi
  8. Mampu menganalisis ratusan konstrak dan ribuan indikator
  9. Kekuatan analisis didasarkan pada porsi dari model yang memiliki jumlah prediktor terbesar
  10. Sampel yang digunakan minimal 30.
- CB-SEM 
  1. Bertujuan orientasi parameter
  2. Berdasarkan covariance
  3. Data berdistribusi normal multivariate, independence observation (parametric)
  4. Model yang dihasilkan kosisten berdasarkan sampel
  5. Indeterminate
  6. Hanya dengan indikator reflektif
  7. Optimal untuk ketepatan parameter
  8. Kompleksitas kecil sampai menengah (< 100 indikator)
  9. Kekuatan analisis didasarkan pada model spesifik. Minimal direkomendasikan berkisar dari 200 - 800 sampel.
Artikel dapat diunduh [PDF]

13 April 2011

MULTIDIMENSIONAL SCALING (MDS)

 "In Multidimensional scaling, the objective is to transform the consumer judgments of similarity or preferency (e.,g preference of story or brand) into distance represented in multidimensional space. If object A dan B in such a way that distance between them in multidimensional space is similar that distance any other two pairsof object. The resultating perceptual map show the relative positioning of all object, but additional analysis is needed to asses which atrributes predict the position of each object,"(Hair,Anderson,Tatham, Black,1995).
"Tujuan multidimensional Scaling adalah untuk mentransformasi penilaian konsumen tentang kemiripan atau preferensi (misal,preferensi tentang toko atau merk) kedalam beberapa distance yang akan ditampilkan dalam bentuk multidimensional space. Jika objek A dan B akan dinilai oleh  responden adalah yang paling mirip dibandingkan dengan kemungkinan pasangan lain, MDS akan memposisikan objek A dan B sedemikian sehingga jarak multidimensional antara kedua objek sama atau mirip dibandingkan dengan jarak pasangan lainnya. Hasil pemetaan menunjukan hubungan posisi dari semua objek, tetapi analisis tambahan tetap diperlukan untuk menilai atribut mana yang memprediksi jarak masing-masing objek,"(Hair, Anderson, Tatham, Black,1995).
 Sumber : Yamin dan Heri, 2009
 
Dalam analisis multivariate untuk variabel yang bersifat interdependensi selain analisis faktor dan analisis cluster, ada juga analisis Multidimensional Scaling (MDS) dan analisis Corespondency Analisis (CA). 
Analisis faktor berhubungan dengan reduksi atau meringkas beberapa variabel menjadi faktor-faktor yang dominan. Peringkasan ini merujuk pada isi kolom pada tiap variabel. sedangkan analisis cluster berhubungan dengan pengelompokan (peringkasan) isi baris yang menunjukan responden atau indivdu. Walaupun pada analisis cluster dijumpai pengelompokan variabel (isi kolom), namun hal tersebut sebagai penggambaran isi atau ciri cluster yang terbentuk dan bukan tujuan utama analisis. Sampai di sini agak bingung ya.....! lebih jelasnya mengenai analisis faktor dan cluster bisa dipelajari pada bagian tersebut.
Kita kembali ke topik analisis MDS. Analisis MDS dan CA berhubungan dengan objek dari  penelitian. Khususnya MDS akan memproses isi baris dan kolom sekaligus. Ada beberapa perbedaan antara MDS dan CA menurut jenis datanya, MDS menganalisis data nonmetrik (nominal dan ordinal) dan metrik (interval dan rasio) sedangkan CA hanya bisa menganalisis data nonmetrik (nominal dan ordinal). analisis CA akan dibahas pada bagian tersendiri.
Untuk memperjelas analisis MDS, saya akan memberikan sebuah ilustrasi :
Sebuah rumah sebagai objek akan kita bandingkan , misal rumah A, rumah B dan rumah C. Apa yang akan dibandingkan? tentunya atribut pada rumah tersebut. Atribut rumah dapat berupa interior, keindahan taman, atau fasilitas. Jika ketiga rumah tersebut akan dibandingkan interiornya, apakah ketiganya mempunyai kemiripan atau berbeda satu dengan yang lain. Hasilnya bisa rumah A mirip dengan rumah B atau rumah C atau ketiganya berbeda atau tidak mempunyai kemiripan. 
Aplikasi MDS dalam bidang pemasaran biasanya digunakan untuk membandingkan dengan beberapa pesaingnya.
Hal tersebut di atas tidak dapat dianalisis menggunakan analisis faktor maupun cluster, karena kedua analisis ini hanya dapat dilakukan pada 1 objek saja.
Dalam MDS, hasil perbandingan dalam bentuk peta(2 dimensi atau 3 dimensi) menurut kedekatan atau kemiripan (similarity) tiap objek.


Artikel Multidimensional Scaling (MDS) [PDF]

11 Maret 2011

CONTROL CHART FOR VARIABLE

Chontrol chart untuk proses dalam keadaan tidak terkendali karena ada nilai-nilai karakteristik kualtas berada diluar batas-batas kontrol. (berada di atas UCL atau di bawah LCL). Hal ini berarti proses berada di luar pengendalian karena adanya variasi yang disebabkan oleh penyebab khusus. Untuk dapat mengendalikan proses, maka perusahaan perlu menghilangkan penyebab khusus itu dan mengambil tindakan yang tepat untuk mencegah munculnya kembali faktor penyebab khusus tersebut. Hal ini akan membiarkan variasi yang terjadi semata-mata karena adanya penyebab umum saja.
Data variabel menunjukan karakteristik kualitas yang memiliki dimensi kontinu yang dapat mengambil nilai-nilai kontinue dalam keadaan yang tidak terbatas, seperti panjang, kecepatan, bobot, volume dan lain-lain. Control chart variable menggunakan parameter rata-rata dan simpangan baku. Simpangan baku merupakan variasi yang disebabkan oleh penyebab umum. Biasanya control chart variable yang umum digunakan adalah "control chart 3 sigma". Akan tetapi banyak perusahaan di Jepang yang menggunakan "control chart 6 sigma" dengan pengendalian kualitas yang sangat ketat dan menggunakan ukuran kecacatan dalam ukuran part per million. Perusahaan yang biasa menggunakan ini adalah perusahaan elektronik. Contoh tingkat kerusakan produk adalah 25 ppm,artinya dalam 1 juta unit yang diproduksi hanya ditemui cacat sebanyak 25 unit.
Manfaat dari pengunaan control chart variabel adalah :
  1. Peningkatan kualitas
  2. Menentukan kemampuan proses
  3. Membuat keputusan dalam proses produksi
  4. Membuat keputusan dalam menentukan spesifikasi produk
  5. Menentukan apakah produk yang dihasilkan sekarang dapat terus dihasilkan oleh proses produksi berikutnya atau tidak
Jenis-jenis control chart variabel :
  • Xbar R chart
  • Xbar S chart
  • I-MR (Individual Moving Range)

Download artikel [PDF]

12 Februari 2011

ANALISIS CONJOINT

Analisis conjoint merupakan metode untuk mengetahui penilaian konsumen terhadap produk tertentu didasarkan pada atribut yang ada pada produk tersebut. Analisis ini berguna untuk mengetahui pengaruh dua variabel atau lebih yang bersifat nonmetrik terhadap variabel tergantung (metrik atau nonmetrik). Kegunaan utama analisis conjoint adalah :
  1. Mengetahui atribut produk yang disukai konsumen.
  2. Membantu menentukan komposisi atribut produk baru.
  3. Menganalisis atribut-atribut produk yang sudah diluncurkan ke pasaran, sehingga perusahaan dapat memperbaiki produk tersebut.
Persyaratan untuk melakukan analisis conjoint diperlukan 2 file yaitu :
  1. File Data, yaitu berisi nilai preferensi atau berupa ranking atribut yang diberikan oleh konsumen.
  2. File Perencanaan, yaitu berisi seperangkat atribut produk yang dinilai responden dan harus dibuat dengan menggunakan prosedur Generated Orthogonal Design.
Beberapa pilihan subperintah untuk analisis conjoint ialah :
  1. Subperintah Subject, perintah ini memungkinkan kita untuk membuat spesifikasi suatu variabel yang berasal dari file data untuk digunakan sebagai penanda (identifier).
  2. Subperintah Factors, perintah ini memungkinkan kita untuk membuat spesifikasi model yang menggambarkan hubungan yang diharapkan antara semua faktor dengan rangking atau nilai.Model dibagi menjadi empat :
  • Discrete, model discrete menunjukan bahwa tingkatan faktor bersifat kategorikal dan tidak ada asumsi yang dibuat untuk hubungan antara faktor dan nilai atau rangking.
  • Liniear, model linier menunjukkan suatu hubungan linier yang diharapkan antara faktor dan nilai atau rangking. hubungan ini dapat dibuat spesifikasi arahnya dengan menggunakan kata more dan less. More menunjukkan tingkatan lebih tinggi suatu faktor yang diharapkan akan lebih disukai. sedangkan less mengindikasikan bahwa level yang lebih rendah diharapkan akan lebih disukai.
  • Ideal, model ideal menunjukkan hubungan kuadratik yang diharapkan antara nilai atau rangking dengan faktor. Diasumsikan bahwa ada tingkatan ideal untuk faktor dan jarak dari titik ideal dalam berbagai arah dihubungkan dengan preferensi yang menurun.
  • Antiideal, model antiideal menunjukan adanya hubungan kuadratik yang diharapkan antara nilai atau rangking dengan faktor. Diasumsikan bahwa ada tingkatan yang tidak ideal untuk faktor dan jarak dari titik ideal.
     3. Subperintah Print, perintah ini memungkinkan kita mengontrol isi hasil tabular.
     4. Subperintah Plot, perintah ini digunakan untuk mengontrol apakah plots akan dimasukkan ke dalam ke
         dalam keluaran atau tidak.
     5. Subperintah Utility, perintah ini digunakan untuk menuliskan file data SPSS yang berisi informasi detail
         untuk masing-masing subjek.

Download Artikelnya [PDF]

19 Januari 2011

CONTROL CHART

"Control chart can be used to monitor or evaluated a process. Control charts are powerful and simple visual tools for determining whether a process is in control or out of control. There are basically two types of control chart, those for variable data and those for attribute data. The process itself will dictate which type of control chart to use. If the data derived from the process are of a discrete nature (go/no, acceptable/not acceptable) then an attributes type of a would be used. If the data derived from the process are of a continous nature (diameter, length) the a variable type of chart combinations that can be used to further evaluate the process," (Michael H Down Statistics Process Control, 2nd  edition, 2005).
("Diagram kontrol dapat digunakan untuk memonitor atau mengevaluasi sebuah proses. Diagram kontrol merupakan alat visual yang sederhana dan sangat berguna untuk menentukan apakah sebuah proses berada di bawah kontrol atau di luar kontrol. Pada dasarnya ada dua jenis bagan kontrol, pertama untuk data variabel dan kedua untuk data atribut. Prosesnya sendiri akan memberitahukan jenis diagram kontrol mana yang harus digunakan. Jika data yang diperoleh dari proses memiliki sifat yang berbeda (bergerak/tidak bergerak, dapat diterima/tidak dapat diterima), maka jenis data atribut yang akan digunakan. Jika data yang diperoleh dari proses memiliki sifat berkelanjutan (diameter, panjang), maka jenis diagram variabel yang akan digunakan. Dalam setiap jenis diagram terdapat beberapa kombinasi diagram yang dapat digunakan lebih jauh untuk mengevaluasi proses," (Michael H.Down, Statistics Process Control, edisi 2, 2005).

Tipe-tipe control chart.
Ada dua tipe control chart berdasarkan tipe data ketika pengukuran objek untuk dikontrol.
  1. Control chart variable
  • Xbar R Chart
  • Xbar S Chart
  • I-MR Chart
    2.  Control chart Attribute
  • P Chart
  • NP Chart
  • C Chart
  • U Chart
Download Artikelnya [PDF]