Langkah Analisis Korespondensi Dengan SPSS

Analisis Korespondensi atau correspondence analysis adalah bagian analisis multivariat yang mencari hubungan antara 2 atau lebih variabel dengan memperagakan baris danm kolom secara bersama dari tabel kontingensi 2 arah dalam ruang vektor berdimensi. 

Contoh kasus

Dalam kasus ini kita akan membandingkan keunggulan dari 10 toko swalayan yaitu A, B, C, D, D, F, G, H, I dan J. Responden diberi kuesioner untuk menjawab pertanyaan mengenai atribut toko pada swalayan tersebut. Ada 8 atribut/variabel toko yang akan diajukan dalam kuesionern antara lain : 

1. Lokas swalayan
   
2. Harga
3. Keramahan kasir
4. Layout toko
5. Kecepatan pelayanan
6. Kualitas produk
7. Kenyamanan
8. Penanganan keluhan

Responden memberi nilai pada atribut-atribut toko dengan 2 pilihan yaitu memuaskan dan tidak memuaskan.

1. Nilai 0, yang berati atribut toko tersebut tidak memuaskan.
2. Nilai 1, yang berarti atribut toko tersebut sudah memuaskan.

Hasil jawaban responden dari kuesioner  sebagai berikut :

Jawaban Kuesioner Uji Korespondensi

Pada atribut/variabel lokasi, Toko swalayan A dinilai memuaskan oleh responden sebanyak 4 responden, swalayan B = 3 responden, swalayan C = 1 responden, swalayan D = 13 responden, swalayan E = 9 responden, swalayan F = 6 responden, swalayan G = 3 responden, swalayan H = 18 responden, swalayan I = 2 responden, dan swalayan J = 10 responden. Begitu seteerusnya juga untuk variabel harga, keramahan kasir, layout, kecepatan pelayanan, kualitas produk, kenyamanan dan penanganan keluhan.

Langkah Analisis Korespondensi dengan SPSS

Langkah analisis Korespondensi tidak seperti yang lain menggunakan menu-menu yang sudah disediakan SPSS. Langkahnya Klik File > Open > Data.

Selanjutnya kita akan menggunakan syntax  yaitu perintah pemrogaman, perintah ini sebenarnya identik dengan pengisin menu kotak dialog yang seperti dilakukan lewat SPSS Data editor. Perintah ini sangat sederhana dan mudah dipahami, karena SPSS adalah sebuah sofware aplikasi bukan software pemrograman.

Langkah : Klik File > New > Syntax

Tulis perintah seperti pada gambar di bawah ini.

Syntax Analisis Korespondensi

 

Hasil Output  Analisis Korespondensi dengan SPSS

Tampilan Output Awal Analisis Korespondensi

Pada table to be analyzed di atas merupakan tabel tampilan data kategori masing-masing baris dan kolom.

Row Profil Analisis Korespondensi

 

Tabel Rowprofile berisi prosentase tiap baris didasarkan pada jumlah baris yang bersangkutan. Sebagai contoh pada baris 1 kolom 1 atau toko A terdapat angka 0.058 dan 0.043 untuk baris 1 dan kolom 1 (toko B).

• (4/69) x 100% = 0.0579 %
• (3/69) x 100% = 0.0434 %

 

Column Profile Analisis Korespondensi

Tabel the colomnprofiles berisi prosentase tiap kolom didasarkan pada jumlah total kolom bersangkutan. Sebagai contoh pada baris dan kolom 1 terdapat angka 0.043 dan baris 2 kolom 1 terdapat angka 0.163. 

•  (4/92) x 100% = 0.0434 %
  
• (15/92) x 100% = 0.163 %

Nilai Cumulative Proportion yang terbentuk

Tabel dimensi menunjukkan jumlah dimensi grafik yang akan ditampilkan. Ada 7 dimensi yang dibuat. Jika hanya ada 1 dimensi yang dibuat maka mempunyai proporsi sebesar 0.531 atau 53,1%. Apabilai 2 dimensi 

mempunyai proporsi sebesar 0,863 atau 0.86.3%.

Row Scores

Pada tabel Row scores di atas, karena nantinya akan dibuat dalam dua dimensi saja yaitu dimensi 1 dan dimensi II untuk posisi atribut dengan grafik. perhatikan pada kedelapan atribut di atas dan posisi grafik berdasarkan kordinat yang ada di Dimensi 1 dan Dimensi II. Grafik untuk atribut dan toko selengkapnya disajikan pada tabel di bawah ini.

Dimension Row  Scores

Dimension Column  Scores

Untuk masing-masing toko swalayan, garfiknya dapat dilihat pada gambar di atas, untuk row score merupakan grafik untuk atribut toko sedangkan column score untuk toko swalayan. Selanjutnya perhatikan grafik di bawah. Grafik ini merupakan penggabungan antara skor baris dan kolom.

Grafik Dimensi hasil Analisis Korespondensi

Ada empat (4) kuadran pada grafik row and column score di atas :

1. Kuadran I (kiri atas). Terdapat toko C, Toko I dan atribut variabel 2 (harga). Hal ini berarti toko C dan I mempunyai kelebihan/keunggulan pada atribut harga. Penilaian konsumen memuaskan pada toko C dan I dalam hal harga produk.
2. Kuadran II (kanan atas). Terdapat toko D, Toko E dengan atribut 5 (kecepatan pelayanan) dan atribut 7 (kenyamanan). Hal ini berarti toko D dan E mempunyai kelebihan/ keunggulan pada atribut kecepatan pelayanan dan kenyamanan. Penilaian konsumen memuaskan pada toko D dan toko E dalam hal kecepatan pelayanan dan kenyamanan.
3. Kuadran III (kanan Bawah). Terdapat toko J, toko H, atribut 1 (lokasi), dan atribut 4 (layout). Hal ini berarti toko J dan toko H mempunyai kelebihan/keunggulan pada atribut lokasi dan layout toko.
   
4. Kudaran IV (kiri Bawah). Terdapat toko A, B, G, F, atribut 3 (keramahan kasir), atribut 6 (kualitas produk) dan 8 (penanganan keluhan). Penilaian konsumen memuaskan pada toko A, B, G, dan F dalam hal kualitas produk dan penangganan keluhan.

Kesimpulan dari analisis tersebut masing-masing toko mengetahui atribut toko yang dianggap memuaskan oleh konsumen dan pesaing antara toko satu dengan toko lainnya.  Sehingga manajer toko swalayan dapat mengambil keputusan strategi yang tepat untuk bisa bersaing.

Baca juga :  

1. correspondence analysis

2. Analisis Varians Dua Arah (Two Way ANOVA)

3. Partial Correlation

Referensi :

Greenacre,M. (2007). Interdisciplinary Stattistics: Correspondence Analysis in Practice 2nd.London New York: Chapman & Hall/CRC

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

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

 

Langkah Analisis Multidimensional Scaling Dengan SPSS

Mulitimendional scaling (MDS) merupakan teknik algorithma yang dilakukan untuk menemukan kordinat titik-titik data dalam ruang dimensi, dimana titik-titik ini bedasarkan kedekatan data (proximity) jarak (distance) antara satu titik dengan titik yang lain.  Tujuan MDS untuk mendapatkan konfigurasi titik-titik data dalam ruang multidimensi yang berdekatan (proximity) jaraknya menunjukkan kesamaan  dengan data observasi.

Contoh Kasus 

Seorang manajer riset  toko A mengetahui toko-toko lainnya yang menjadi saingannya. Atribut yang menjadi penilaian adalah lokasi toko dan pelayanan kasir. Responden diminta memberikan jawaban kuesioner dalam skala 1-5. Skala 1 menunjukkan bahwa toko tersebut saling bermiripan, sedangkan skala 5 sangat tidak bermiripan. Tingkat kemiripan ditunjukkan atribut toko yang diisi responden dan langkah memasukkan ke dalam tabulasi data terlihat pada gambar di bawah ini.

Model Kuesioner Analisis MDS

Untuk data lengkap dapat didownload : Data input MDS

Dua tabel paling atas merupakan jawaban kuesioner responden 1 dan 2. Tabel di bawahnya dalam bentuk excel yang nantinya diproses dalam SPSS. Perhatikan tabel Excel, karena ada 5 toko yang akan dibandingkan maka ada 5 kolom yang masing-masing toko A sampai dengan toko E. Sedangkan baris juga sama ada 5 baris untuk kelima toko tersebut. Untuk pengisian 1 responden membutuhkan 5 baris. Cara melakukan pengisian sebagai berikut :

1. Pada kolom toko A dan baris Toko B diisi dengan angka 3 hasil skor penilaian perbandingan Toko A dan Toko B. Demikian seterusnya untuk baris berikutnya.
2. Pada pertemuan antara kolom Toko A dan Baris Toko A diisi dengan angka 0. Karena satu objek dibandingkan dengan objek itu sendiri, hasilnyan 0. Demikian juga untuk hasil yang lain.
3. Pengisian angka 0 akan membentuk diagonal, di atas diagonal dikosongkan saja.

Langkah Analisis Multidimensional Scaling dengan SPSS 

1. Klik Analyze > Scale > Multidimensional Scaling (Alscal)
2. Masukkan variabel Toko A-Toko E ke dalam kolom Variables
3. Klik Tombol Model, pilih Ordinal dan Individual Differences Euclidian Distance
4. Klik tombol Options, pilih Group plots, kemudian Continue dan Klik OK

Hasil Output  Analisis Multidimensional Scaling dengan SPSS

Output MDS

Untuk menjelaskan penilaian kelayakan model MDS dapat dilihat dari nilai S-stress dan RSQ dengan kategori pemilaian kelayakan model berdasarkan S-stress adalah

Kategori nilai S-Stress

Dengan formula s-stress sebagai berikut :

Rumus S-Stress

Nilai S-stress akan semakin kecil bila  taksiran jarak mendekati nilai jarak data yang sesungguhnya. Nilai S-stress yang didapat sebesar 0.07425 atau 7.25% yang berarti bahwa model cukup memiliki kelayakan yang baik (fit). Demikian nilai RSQ yang cukup tinggi yaitu 0.93170 (93,17%), dimana nilai interpretasi RSQ sama halnya seperti R-square dalam regresi linier.

Grafik Derived Stimulus Configuration

Grafik Derived Stimulus Configuration di atas terdapat pengelompokan toko. Terlihat bahwa toko B mempunyai kemiripan dengan Toko D karena berada dalam kudran yang sama. Sedangkan toko C,toko A dan Toko E tidak memilik kemiripan dengan yang lain karena masing-masing berada dalam kuadran yang berbeda.

Perhatikan analisis dari sudut dimensi 1 (sumbu X) dan dimensi 2 (sumbu Y) :

1. Dimensi 1 : pada gambar terlihat bahwa semakin ke kanan, angka dimensi 1 semakin besar. Terlihat bahwa toko E terletak paling dekat dengan dimensi 1 terbesar, namun toko ini tidak mempunyai kemiripan dengan toko lainnya. Perhatikan toko B dan toko D, walaupun tidak berada dinilai terbesar dimensi 1 tetapi kedua toko tersebut mempunyai kemiripan (dalam satu kuadran). Misalnya. dalam dimensi 1 mengandung atribut lokasi toko dan pelayanan kasir. Artinya atribut tersebut pada toko B dan toko D yang paling membedakan dibandingkan atribut pada toko lainnya.
   
2. Dimensi 2 : pada gambar terlihat bahwa semakin ke atas, maka angka dimensi 2 semakin besar. Terlihat bahwa toko E terletak paling ujung dimensi 2 angka terbesar. Sedangkan toko D terletak dipaling ujung bawah dimensi ini. Toko D mempunyai jarak terdekat dengan toko B dan keduanya dalam satu kuadran.
   

Analisis dimensi 1 dan dimensi 2 diatas harus didukung dengan penelitian sebelumnya. Misalnya dilakukan dengan analisis faktor yang berguna untuk mengelompokkan variabel menjadi beberapa dimensi.

Grafik Derived Subject Weight

Grafik derived subject weight di atas, terlihat posisi ke 11 responden, dapat dibentuk sebuah garis lurus ke kanan bawah. Hal ini memberikan gambaran bahwa responden memiliki konsistensi dalam menilai kemiripan kelima toko tersebut. Grafik ini untuk menguji keselarasan responden dalam penilaian toko.

 

Grafik Scatterplot of Linear Fit

Grafik scatterplot of linear Fit di atas berisi kumpulan koordinat, terlihat titik-titik tidak membentuk berbagi kelompok koordinat sendiri. Titik-titik ini mengerombol ditengah, hal ini membuktikan ada kesamaan sikap responden.

Baca juga : 

1. Multidimensional Scaling (MDS)

2. Analisis Korelasi Kanonical

3. Langkah Analisis MANOVA dengan SPSS

Referensi : 

Cox,T.F and Cox,A.A.(2001).Multidimensional Scaling 2 Edition.Washington: Chapman & Hall/CRC

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

Ingwer Borg,I and Groenen,P.J.F.(2005).Modern Multidimensional Scaling 2 editions: Teory and Applications.New York: Springer Science

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

Langkah Analisis Conjoint dengan SPSS

Analisis conjoint dapat membantu produsen untuk mencari solusi kompromi yang optimum dalam merancang produk dengan pertimbangan pertukaran (trade off judgment). Dengan analisis conjoint ini kemudian dapat digunakan untuk : merancang harga suatu produk yang akan di launching, memprediksi tingkat penjualan (market share) produknya, segmentasi preferensi konsumen dari produk yang telah masuk ke pasaran dan merancang strategi yang tepat dalam mempromsikan produknya.

Langkah analisis conjoint dengan SPSS

Buka menu SPSS, biarkan dalam keadaan kosong. Klik File > New > Syntax. Ketikan syntax seperti ini.

Syntax Analisis Conjoint

Dari penulisan syntax di atas adalah : 

DATA LIST FREE/QN PROD1 TO PROD8 : artinya bahwa perintah untuk membuat data produk 1 sampai dengan 8.  

BEGIN DATA : untuk memulai penulisan data yang berasal dari pengisian penilaian responden 1,2,3,4 dan 5 yang dibuat sesuai dengan urutan dalam stimuli yang dibuat oleh SPSS. Cara penulisan adalah pada stimuli  untuk card_1, kombinasi produk: qwerty, medium, dua kamera dan kombinasi.  Responden 1 memberi penilaian 12,responden 2 memberi penilaian 3, responden 3 memberi penilaian 8, responden 4 memberi penilaian 11 dan responden 5  memberi penilaian 16. Demikian untuk stimuli card_2 sampai dengan carad_8. Nilai ini sesuai dengan tabel stimuli yang sudah dibuat dan penilaian oleh responden yang sebelumnya sudah dibuat.

END DATA : untuk mengakhiri pengisian data. Perintah 

CONJOINT PLAN : untuk membuat analisis conjoint pada stimuli yang sudah dibuat yang tersimpan dengan nama " Telepon Selular_syntax.sav". 

FACTORS : merupakan perintah mengenai atribut yang diinginkan.

SUBJECT : untuk menciptkan nomor kode responden

SCORE : untuk membuat variabel score 1 sampai dengan 8.

Setelah menuliskan syntax dengan benar dan lengkap kemudian jalankan file tersebut dengan perintah RUN >ALL

Hasil Output Analisis Conjoint dengan SPSS

Recoded Values Conjoint

Tabel recoded value di atas menggambarkan pengkodean masing-masing atribut  produk yakni design (biasa, qwerty), harga (medium, high end), Fitur (satu kamera, dua kamera), dan warna (satu warna, dua warna).

Model Orthogonal

Tabel model description di atas menunjukkan bahwa faktor yang dianalisis menggunakan orthogonal. Hubungan antara faktor atribut dengan rangking atau nilai atribut adalah model discrete. Model discrete merupakan model hubungan yang menunjukkan bahwa tingkatan faktor bersifat kategorikal dan tidak ada asumsi yang dibuat untuk hubungan antara faktor dan nilai atau ranking.

Sekarang memberikan interpreatasi hasil analisis pada responden 1

Utilities

Angka konstan sebesar 10,625, angka ini didapatkan dari angka penilaian responden yang di rata-rata sebagai berikut : (12 + 14 + 1 + 13 + 15 + 11 + 16+ 3)/8 = 10,625.

Hasil analisis pada angka utility menunjukkan stimuli pada masing-masing atribut. Jika hasilnya positif, maka responden menyukai stimuli tersebut dan demikian juga sebaliknya jika negatif, maka responden tidak menyukai stimuli tersebut. Angka ini disebut dengan utility.

Responden 1 menyukai design biasa (angka utility 0,125), harga high end ( utility 3,875), fitur satu kamera ( utility 0,125) dan warna kombinasi ( utility 0,875). 

Importance values

Tingkat kepentingan atau importance values digunakan untuk melihat bagaimana seorang respondenmelihat pentingnya suatu atribut tertentu menurut pandangan mereka. Tingkat kepentingan menurut responden pertama bahwa atribut harga high end merupakan atribut yang paling dianggap penting dengan angka sebesar 77,500, kemudian warna kombinasi sebesar 17,500, design biasa dan fitur satu kamera masing-masing sebesar 2,500.

Demikian juga dapat dilanjutkan untuk interpretasi pada responden 2 sampai dengan 5 seperti interpretasi di atas.

Hasil secara overall atau keseluruhan responden dapat dilihat pada tabel overall statistics di bawah ini.

Overall Statistics

Pada tabel utilities di atas adalah hasil output untuk semua responden Hasilnya memperoleh nilai konstan sebesar 8,400. Seluruh responden lebih menyukai design biasa (utility 0,850), harga high end (utility 0,300), Fitur dua kamera (utility 0,650) dan warna kombinasi (utility 0,350).

Importance values

Tingkat kepentingan atau importance value: rata-rata responden mempersepsikan bahwa fitur dua kamera lebih penting dengan angka importance value sebesar 32,630 kemudian harga high end (29,454), design biasa (20,101) dan warna kombinasi (17,815).

Dari hasil output conjoint dengan SPSS, kemudian dihitung estimasi part worth nya dengan cara:

1. Nilai deviasi diperoleh dari nilai utility estimate.
   
2. Nilai deviasi dikuadratkan kemudian dijumlahkan (total).
3. Hitung nilai standarisasi : nilai jumlah atribut (8) dibagi total kuadrat deviasi.
4. Hitung estimation parth worth : nilai akar pangkat dari kuadrat deviasi yang telah di standarisasi.
5. Hitung range of part worth : jumlah dari estimation part worth.
6. Factor importance diperoleh dari nilai importance value.
   

Range of part worth

Dari perhitungan tersebut di atas diketahui bahwa responden dalam memilih produk telepon selular (HP) yang paling dianggap paling penting : fitur dua kamera (32,63%), harga high end (29,45%), design biasa (20,10%) dan warna kombinasi (17,81%).

Correlation

 Tujuan analisis conjoint pada prinsipnya untuk memperkirakan persepsi/pendapat responden/konsumen yang disebut dengan estimates part-worth. Untuk membandingkan antara pendapat responden yang sebenarnya (aktual) dengan di stimuli. Hasil ini seharusnya tidak memiliki perbedaan yang jauh dengan pendapat responden yang sebenarnya, yang dicerminkan dengan tingginya angka nilai korelasi antara hasil estimates dengan aktual. Pada tabel correlation di atas diperoleh nilai Pearson's R dan Kendall's tau yang tinggi masing-masing 0.691 dan 0.546 dengan nilai signifikansi 0.029 dan 0.031.

Baca juga : 

1. Langkah membuat kartu stimuli Pada Conjoint 

2. Analisis Korespondensi
   

3. Analisis Multivariate MANOVA
   

Referensi :

Gudono. (2012). Analisis Data Multivariat.Yogyakarta: BPFE

Gustafsson,A.,et al. (2007). Conjoint Measurement: Methods and Applications 4th.New York: Springer Berlin Heidelberg 

Raghavarao,D et al. (2011). Choice-Base Conjoint Analysis Model and Design.London New York: CRC Press

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

Langkah Membuat Kartu Stimuli Analisis Conjoin Dengan SPSS

Langkah membuat kartu stimuli dilakukan untuk memperoleh kombinasi atribut-atribut pada produk yang nanti akan dinilai oleh responden. Stimuli adalah faktor yang dipertimbangkan responden pada menilai suatu hal (produk). 

 Ada 3 pendekatan dalam penyusunan kartu stimuli, sebagai berikut :

1. Pairwise approach (two factor evaluation).
   
2. Full Profile Approach (multiple factor evaluation). Metode ini menampilakan semua kombinasi atribut dan sub atribut (level). Jika ada 2 atribut dengan masing-masing ada 3 level, maka kombinasi atribut : 3 x 3 = 9 kombinasi. metode ini memiliki kelemahan yaitu kombinasi akan semakin banyak dengan bertambahnya atribut dan levelnya sehingga akan menyulitkan responden dalam menilai kombinasi atribut.
   
3. Orthogonal array. Metode ini dilakukan untuk mengurangi kompleskitas kombinasi stimuli metode ini dinamakan dengan fractional factorial design. Salah satu metode fraksinal ini adalah metode orthogonnal array atau metode Taguchi.
   

Contoh kasus

Sebuah perusahaan mengeluarkan produk selular (HP) ke pasaran. Dalam rangka penyusunan strategi pemasaran mereka melakukan penelitian preferensi konsumen pada produk tersebut. Sebagai sampel diambil 5 responden mengenai atribut mana dari produk yang dijual disukai oleh konsumen. atribut-atribut tersebut antara lain : Design HP : menggunakan keypada biasa atau qwerty, Harga : medium atau high end, Fitur : 1 kamera atau 2 kamera. Warna : 1 warna atau 2 warna. Kartu stimuli dengan metode orthogonal array.

Langkah Membuat kartu stimuli analisis conjoint dengan SPSS

Langkah 1

Membuat manual kombinasi atribut produk HP tersebut yang akan digunakan sebagai stimuli untuk dinilai oleh konsumen. Jumlah kombinasi atribut yang dapat dihitung sebagai berikut : terdapat 4 atribut yaitu design, harga, fitur, dan warna. Masing-masing atribut memiliki 2 sub atribut. Jadi kombinasi antara atribut dan sub atribut : 2 x 2 x 2 x 2 = 16.

Model kartu Stimuli di Excel

Keterangan tabel di atas : 

1. Stimuli 1 : produk HP yang akan diminati oleh konsumen ialah HP dengan design biasa, harga medium, fitur 1 kamera dan 1 warna.
2. Stimuli 2 : produk HP yang akan diminati konsumen ialah HP dengan design biasa, harga Hig end, Fitur 1 kamera dan 1 warna.
3. Demikian juga sampai stimuli 16, penafsiran sama.

Langkah 2

Memasukkan angka penilaian yang berasal dari responden. Stimuli berjumlah 16, maka angka penilaian responden dimulai dari angka 1 sampai 16 yang menunjukkan angka skala prioritas terhadap atribut-atribut pada produk tersebut. Angka 1 menunjukkan penilaian yang paling rendah, sedangkan 16 menunjukkan penilaian yang paling tinggi. Data responden yang diperoleh selengkapnya disajikan : 

Model kartu Stimuli di Excel

Dari tabel di atas dapat diterangkan sebagai berikut :

1. Responden 1 memilih HP yang paling disukai (nilai 16) pada stimuli 12 : design keypad qwerty, harga high end, fitur 1 kamera, dan warna kombinasi. Sedangkan yang paling tidak disukai (nilai 1) pada stimuli 13 : design keypad qwerty, harga medium, fitur dua kamera dan satu warna.
2. Responden 2 memilih HP yang paling disukai (nilai 16) pada stimuli 14 : keypad qwerty, harga high end, fitur 2 kamera dan satu warna.
3. Demikian seterusnya untuk responden 3-5 sesua dengan penilaian masing-masing.

Langkah 3

Saatnya sekarang membuat kartu stimuli, dengan cara Buka SPSS. di menu "Data sav" Masukkan data atribut (4 atribut) dan sub atribut  masing-masing ada 2 sub atribut, seperti terlihat pada tabel di bawah ini.

Model kartu Stimuli di SPSS

Setelah selesai membuat kemudian membuat syntaxnya.

Langkah 4

Membuat syntax di SPSS, dengan cara Klik File > New > Syntax, ketikan seperti di bawah ini.

Syntax Orthogonal

Maksud dari perintah syntax di atas adalah kita memberikan perintah kepada SPSS untuk membuat stimuli dengan perintah ORTHOGONAL. Faktor atribut yang diinginkan ialah design, harga, fitur, dan warna. Selanjutnya syntax akan disimpan dalam file dengan nama "Telepon selular syntax". Setelah selesai menuliskan syntax, jalankan file tersebut dengan perintah : Run All atau klik tanda panah warna hijau.

Output akan berbunyi : A plan is successfullty generated with 8 card

Hasil output terlihat pada variabel view (aplikasi SPSS), hasilnya seperti gambar di bawah ini :

Desain Orthogonal design dengan SPSS

Dari sebelumnya ada 16 kombinasi atribut,setelah dibuat stimuli dengan orthogonal design diperoleh 8 kombinasi atribut. file stimuli di atas akan digunakan sebagai petunjuk pengisian skala prioritas yang sudah diberikan responden. Penafsiran tabel stimuli dan angka penilaian responden (lihat tabel hasil penilaian responden) sebagai berikut :

1. Stimuli 1 pada Card 1 : kombinasi atribut produk : qwerty, medium, dua kamera dan kombinasi. Sehingga skala prioritas yang dimasukkan sesuai dengan kombinasi atribut dari penilaian responden. Responden 1 = 12, responden 2 = 3, responden 3 = 8, responden 4 = 11 dan responden 5 : 16.
2. Stimuli 2 pada Card 2 : kombinasi atribut produk : biasa, high end, dua kamera, dan satu warna. Penilaia responden 1 = 14, responden 2 = 9, responden 3 = 3, responden 4 =15, dan responden 5 = 12.
3. Stimuli 3 pada Card 3, kombinasi atribut produk : qwerty, medium, dua kamera, satu warna. Penilaian responden 1 = 1, responden 2 = 4, responden 3 = 9, responden 4 = 12, responden 5 = 3
4. Stimuli 4 pada Card 4, kombinasi atribut produk : qwerty, high end, satu kamera, satu warna. Penilaian responden 1 = 13, responden 2 = 2, responden 3 = 7, responden 4 = 4, responden 5 = 6.
5. Stimuli 5 pada Card 5, kombinasi atribut produk : biasa, high end, dua kamera dan kombinasi. Penilaian responden 1 = 15, responden 2 = 1, responden 3 = 6, responden 4 = 14 dan responden 5 = 13.
6. Stimuli 6 pada Card 6, kombinasi atribut produk : Biasa, medium, satu kamera dan satu warna. Penilaian responden 1 = 11, responden 2 = 10, responden 3 = 16, responden 4 = 9 dan responden 5 = 1
   
7. Stimuli 7 pada Card 7, kombinasi atribut produk : qwerty, high end, satu kamera, dan kombinasi. Penilaian responden 1 = 16, responden 2 = 7, responden 3 = 11, responden 4 = 2 dan responden 5 = 4.
   
8. Stimuli 8 pada Card 8, kombinasi atribut produk : biasa, medium, satu kamera, dan kombinasi. Penilaian responden 1 = 3, responden 2 = 11, responden 3 = 4, responden 4 = 8 dan responden 5 = 10.

Dari hasil stimuli dengan orthogonal diperoleh 8 kombinasi atribut dan nilai prioritas yang dimasukkan penilaian responden pada kombinasi atribut-atribut tersebut. Kemudian langkah selanjutnya membuat analisis konjoin dengan syntax di SPSS.

Selanjutnya : Langkah Analisis Conjoint

Langkah Analisis Manova Dengan SPSS

Analisis Multivaiate Analysis of Variance atau Manova bertujuan untuk menguji perbandingan rata-rata (means) dua atau lebih kelompok data. Dimana terdapat 2 atau lebih variabel dependen yang bersifat metric dan variabel independen dua (2) atau lebih  yang bersifat non metric.

Contoh kasus

Seorangn guru matematika ingin mengetahui metode pembelajaran yang akan ia terapkan. Pada tahap awal ia mengajar  dengan metode 1 dikelas A dan kelas B, kemudian melakukan tes ujian kepada siswa-siswanya. Selanjutnya ia melakukan pembelajaran dengan metode 2 pada kedua kelas tersebut dan kemudian melakukan tes ujian. Hasil ujian tes siswa pada kedua metode pembelajaran tersebut sebagai berikut :

Data Input

Langkah analisis Manova dengan SPSS :

1. Klik Analyze > General Linier Model > Multivariate
2. Masukkan variabel nilai ujian kelas A dan kelas B ke kolom variabel depedent.
3. Masukkan variabel Metode ke dalam fixed factor(s)
4. Klik tombol Option, pilih Descriptive, Homogenity test, dan Estimate of effect size. Klik Continue
5. Klik Contrast, pada kolom Change Contrast pilih metode Simple. KLik tombol Change. Klik Continue.
6. Klik tombol Plots, masukkan variabel metode dalam Horizontal axis. Klik tombol Add. 
7. Klik Continue dan OK.
   

Hasil Output Analisis Manova dengan SPSS

Descriptive Statistics

 Tabel descriptive statistics menjelaskan rata-rata dan standar deviasi dari nilai ujian pada kelas A dan B. Metode pertama (1) memperoleh rata-rata lebih tinggi pada kelompok kelas B sebesar 55.7, sedangkan metode 2 juga lebih tinggi pada kelompok  kelas B dibandingkan pada kelompok kelas A. Pada kelompok kelas A memperoleh rata-rata dengan metode 1 sebesar 43,05 dan metode 2 hanya 37,25.

Box's test of Equality of Covariance Matrices

Tabel Box's M test digunakan untuk menguji asumsi Manova yaitu homogenitas matrik varian dan kovarians. Untuk mengujinya dengan kriteria terima H0 = matrik varians kovarian antara kelompok metode homogen, jika nilai pengujian memperoleh nilai signifikansi > 0.05.
Hasil pengujian menunjukkan bahwa nilai Box's M sebesar 6,983 dengan signifikansi 0,086. Karena nilai signifikansi 0.086 > 0.05 maka terima H0 yang menyatakan bahwa matrik varian kovarian bersifat homogen.

Pengujian secara simultan yaitu perbandingan rata-rata nilai ujian kelas A dan kelas B antara metode 1 dan metode 2 dilakukan berdasarkan nilai eigenvalue, uji statistik ada 4 yaitu Pillai's trace, Wilk's lambda, Hotelling trace, Roy's largest root.

Multivariate Tests

Nilai Pillai's trace menunjukkan nilai positif sebesar 0.225 dengan signifikansi 0.009. Meningkatnya nilai ini memberikan nilai yang berarti pada model atau adanya perbedaan rata-rata yang signifikan antara kelompok data. Nilai wilk's lambda sebesar 0.775 dengan signifikansi 0.009 yang berarti ada perbedaan rata-rata antara kelompok data. Demikian juga untuk Hotelling trace dan Rpy's largest root masing-masing memperoleh nilai 0.291 dan signifikansi 0.009. Dari ke-empat pengujian diperoleh nilai signifikansi < 0.05.

Levene's Test of Equality of error Variances

Tabel levene's test digunakan untuk menguji homogenitas varians secara univariat. Ktriteria pengujian jika nilai signifikansi > 0.05 maka terima H0 yang menyatakan bahwa nilai varians untuk metode 1 dan metode 2 antara kelas A dan kelas B adalah homogen. Dari hasil pengujian levene's test untuk kelas A sebesar 0.043 dan kelas B sebesar 0.020 sehingga dapat disimpulkan bahwa varian nilai kelas A dan B adalah heterogen.

Tabel test of between subject effect di bawah ini memberikan gambaran pengujian model secara univariate. Nilai p-value signifikansi untuk kelas A, nilai sebesar 0.005 < 0.05 yang artinya terdapat perbedaan nilai rata-rata di kelas A antara metode 1 dan metode 2. Sedangkan nilai signifikansi untuk kelas B sebesar 00.156 > 0.05, artinya bahwa tidak ada perbedaan nilai dikelas B antara metode 1 dan metode 2.

Tests of Between Subjects Effects

Dari hasil analisis di atas dapat diambil kesimpulan bahwa terdapat perbedaan nilai rata-rata kelas A dan kelas B untuk metode pembelajaran 1 dan metode pembelajaran 2. Tetapi pada rata-rata nilai di kelas B antara metode pembelajaran 1 dan metode pembelajaran 2 tidak ada perbedaan yang signifikan.

Baca juga :  

1. Analisis Varians Multivariat Manova

2. Multidimensional Scaling MDS
   

3. Analisis Korespondensi
   

Referensi :

Field,A.(2009). Discovering Statistics Using SPSS 3rd. London: Sage Publications

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

Tabanick,B.G and Fidel,L.S.(2007).Using Multivariate Statistics 5th.New York: Pearson EducationYamin,S dan Kurniawan,H.(2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Sofware SPSS.Jakarta : Salemba Infotek