TUTORIAL STATISTIK

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

Klik Analyze >Nonparametric >1 Sample K-S
Masukkan variabel ujian psikotes ke dalam Test Variable List
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 berdistribusi normal.

Baca juga :

1. Koefisien Kontingensi C Cramers V

2. Uji Mann Whitney U

3. Statistik Non Parametrik

Referensi :

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

Elliot,A.c and Woodward,W.A. (2007). Statistical Analysis Quick References Guidebook: with SPSS Example.London New Delhi: Sage Publications

Einspruch,E.L. (2005). Intoduction Guide to SPSS for Windows 2nd.London: Sage Publications

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

Greasley,P.(2008).Quantitative Data Analysis Using SPSS: Introduction for Health and Social Science.New York: McGraw Hill Open University Press

19 November 2011

KORELASI PARSIAL

Korelasi parsial atau partial correlation 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.

"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).

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 :

Klik Analyze<Correlate<Partial
Masukkan variabel sales dan pembelian ke kolom variable(s)
Masukkan variabel harga ke kolom controlling for
Klik OK

Hipotesis :

H0 = hubungan antara slaes dan pemeblian dengan dikontrol oleh variabel harga tidak signifikan

H1 = hubungan antara sales dan pembelian dengan dikontrol variabel harga signifikan.

Kriterian pengujian : Tolak hipotesis nol (H0) jika nilai signifkansi p-value < 0.05

Hasil pengujian Korelasi Parsial dengan SPSS

Tabel Correlations

Perhatikan pada tabel di atas yaitu koefisien korelasi sales dengan pembelian tanpa kontrol menunjukkan hasil koefisien sebesar 0.827 dengan nilai p-value 0.000. Karena nilai p-value 0.000< 0.05 maka hubungan kedua variabel adalah signifikan. Angka 0.827 memberikan bukti bahwa ada korelasi yang sangat kuat dan searah. searah artinya apabilai jumlah sales bertambah (besar) maka pembelian juga meningkat (besar). Kita dapat mengetahui searah atau tidak searah dapat dilihat pada nilai pearson correlation, jika (+) berarti searah dan (-) tidak searah.

Tabel Correlation 2

Sedangkan nilai korelasi dengan memasukan variabel harga sebagai variabel kontrol memperoleh nilai koefisien korelasi sales dengan pembelian sebesar 0.814 dan nilai p-value 0.000. Nilai koefisien korelasi mengalami sedikit penurunan dari 0.814 dengan kontrol dibanding tanpa kontrol sebesar 0.827. Namun masih signifikan dan hubungan korelasi keduanya masih kuat.

Baca juga :

1. Validitas dan Reliabilitas

2. Analisis Korelasi dan Asosiasi

3. Korelasi Pearson

Referensi :

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

Hall, J.L. (2010). A Guide to Doing Statistics. New York : Rouledge Francis & Taylor

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

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

Klik File, New, Create New Project
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.

Baca juga :

1. Tutorial Analisis Segmentasi FIMIX dengan PLS

2. Second Order Construct dalam PLS

3. Pengenalan VisualPLS

Referensi :

Esposito, Vinci, et al. (2010). Handbook of Partial Least Square, Concept, Method and Application. Springer

Imam, G. (2008). Metode Alternatif dengan Partial Least Square PLS Edisi 3. Semarang : Badan Penerbit Universitas Diponegoro

Lohmoller,J.B. (1989). Latent Variables path Modeling with Partial Least Squares. Berlin, Heidelberger: Springer

Sofyan, Y dan Heri, K. (2011). partial Least Square Path Modeling : Aplikasi dengan Software XLStat, SmartPLS dan VisualPLS. Jakarta : Salemba Infotek

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 :

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.
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.
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.
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.

Baca juga :

1. Control Chart for variable

2. Control Chart

3. Control Chart fot Attribute

Referensi :

Montgomery, D. C. (2013). Introduction Statistical Quality Control 7th. New York : John Wiley & Sons.

Oakland, J and Oakland, R. (2019). Statistical Process Control 7th. New York : Rouledge.

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

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 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.

2. Langkah Analisis Multidimensional Scaling

3. Langkah Analisis Conjoint Dengan SPSS

4. Langkah Analisis Diskriminan dengan SPSS

5. Cara Analisis K-Mean Cluster

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

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 :

Rectangle icon : menggambar observed variable
Oval icon : menggambar unobserved variable
Indicator variable : menggambar laten variabel dan indikatornya
Path icon : menggambar garis panah tunggal
Covarian icon : menggambar garis panah ganda
Error icon : menggambar variabel eror
Title icon : menulis judul model
Variable list (I) icon : menampilkan variabel digambar
Variable list (II) icon : menampilkan variabel di model
Single selection icon : memilih satu gambar
Multiple selection icon : memilih semua gambar
Multiple deselection icon : deselect semua gambar
Duplicate icon : copi/dplicasi gambar
Move icon : memindah gambar
Erase icon : menghapus gambar
Shape change icon : menggubah ukuran gambar
Rotate icon : menggubah indikator variabel
Reflect icon : merefleksikan gambar
Move parameter icon : memindah nilai parameter
Scroll icon : menempatkan gambar ke bagian lain
Touch-up icon : merapikan gambar
Data file icon : memilih data
Analyse properties icon : properti analisis
Calculate estimates icon : menganalisis
Clipboard icon : mengkopi gambar
Text output icon : memilih data hasil analisis dalam bentuk teks
Save diagram icon : menyimpan gambar/model
Object properties icon : mendefinisikan properti variabel
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 :

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.
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.
Gambar sesuai dengan model yang diinginkan.
Memberi nama setiap konstruk. Caranya klik kanan pada objek, pilih project properties. Ketik nama pada variable name.
Pada konstruk laten selain diberinama juga pemberian bobot. Caranya klik parameter kemudian tulis angka 1.
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.
Melakukan analysis. Klik Analyse & Calculate Estimate
Menampilkan tabel ahasil analisis. Klik View &Text Output.

Nah... sekarang saatnya menginterpretasikan hasil output analisis.

2. Structural Equation Modeling

3. Regresi berganda Dengan AMOS

4. Uji Kesesuaian Fit Model SEM

Referensi :

Byrne,B.M.(2010).Structural Equation Modeling with AMOS: Basic Concepts, Applications, and Programming 2nd.New York: Rouledge Taylor & Francis

Kline,R.B. (2011). Principles and Practice of Structural Equation Modeling 3rd. New York London: Guilford Press

Loehlin,J.C. (2004). Latent Variable Modeling 4th: an Introduction to factor,path, and structural equation analyisis. New Jersey London: Lawrence Erlbaum Association

Maruyama,G.M. (1997). Basics of Structural Equation Modeling. London New York: Sage Publication

Mulaik,S. (2009). Linear Causal Modeling with Structural Equations. London New York: CRC Press

Muller,R.O. (1996). Basic Principles of Structural Equation Modeling : An Introduction of Lisrel and EQS. New York: Springer

Raykov,T and Marcoulides,G.A. (2006). A First Course in Structural Equation Modeling 2nd. New Jersey London: Lawrence Erlbaum Associates

Schumacker,R.E And Lomax, R.J. (2010). A Beginner's Guide Structural Equation Modeling 3rd. New Jersey London:Lawrence Erlbaum Associates

Baca Selengkapnya

02 Juni 2011

Pengantar Structural Equation Modeling (SEM)

Apakah itu SEM (Structural Equation Modeling)?

SEM merupakan penggabungan antara 2 konsep statistika,yaitu :

Konsep analisis faktor yang masuk dalam dalam model pengukuran (measurement model). Model pengukuran menjelaskan hubungan antara variabel dengan indikator-indikatornya.
Konsep regresi melalui model struktural (structural model). Model structural menjelaskan hubungan antar variabel.

Konsep SEM

Beberapa konsep dan definisi terkait dengan SEM :

Variabel eksogen yaitu variabel yang mempengaruhi variabel lain atau disebut juga variabel independen.
Variabel endogen yaitu variabel yang dipengaruhi oleh variabel lain atau disebut juga variabel dependen.
Konstruk laten atau variabel laten yaitu variabel yang tidak terukur secara langsung dan memerlukan beberapa indikator.
Indikator atau variable observeb adalah variabel yang nilainya dapat diukur secara langsung.

Indikator dapat dibagi menjadi 2 yaitu :

Indikator reflektif yaitu indikator yang dianggap dipengaruhi atau merefleksikan konstruk laten. Lisrel, AMOS, EQS dan beberapa program lainnya hanya dapat menggunakan indikator ini.
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 :

Confirmatory Factor Analysis (CFA). Model ini merupakan model murni yang berisi model pengukuran.
Regression Model. Model ini merupakan model yang terdiri dari prediktor dankriterium yang semuanya berupa konstruk empirik.
Model penelitian eksperimen. model yang diaplikasikan pada analisis data penelitian eksperimen.
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 :

Data tidak harus berdistribusi normal multivariate.
Dapat digunakan sampel kecil (<30)
Dapat digunakan untuk menganalisis konstruk yang dibentuk dari indikator reflektif maupun indikator formatif.
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

Bertujuan orientasi prediksi
Menggunakan pendekatan variance
Tidak mengasumsikan berdistribusi normal (non-parametrik)
Estimasi parameter : konsisten sebagai indikator dan sample size meningkat (consistency at large)
Skor variable laten (konstrak) secara eksplisit diestimasi.
Hubungan antara variabel laten (konstrak) dan indikator dapat berbentuk reflektif maupun formatif.
Optimal untuk ketepatan prediksi
Mampu menganalisis ratusan konstrak dan ribuan indikator
Kekuatan analisis didasarkan pada porsi dari model yang memiliki jumlah prediktor terbesar
Sampel yang digunakan minimal 30.

- CB-SEM

Bertujuan orientasi parameter
Berdasarkan covariance
Data berdistribusi normal multivariate, independence observation (parametric)
Model yang dihasilkan kosisten berdasarkan sampel
Indeterminate
Hanya dengan indikator reflektif
Optimal untuk ketepatan parameter
Kompleksitas kecil sampai menengah (< 100 indikator)
Kekuatan analisis didasarkan pada model spesifik. Minimal direkomendasikan berkisar dari 200 - 800 sampel.

2. Partial Least Square

3. Pengenalan Aplikasi WarpPLS

4. Pengenalan SEM dengan PLS

5. Identifikasi Model SEM

Referensi :

Byrne,B.M. (2010). Structural Equation Modeling with AMOS: Basic Concepts, Applications, and Programming 2nd. New York: Rouledge Taylor & Francis

Kline,R.B. (2011). Principles and Practice of Structural Equation Modeling 3rd. New York London: Guilford Press

Loehlin,J.C. (2004). Latent Variable Modeling 4th: an Introduction to factor,path, and structural equation analyisis. New Jersey London: Lawrence Erlbaum Association

Maruyama,G.M. (1997). Basics of Structural Equation Modeling. London New York: Sage Publication

Mulaik,S. (2009). Linear Causal Modeling with Structural Equations. London New York: CRC Press

Muller,R.O. (1996). Basic Principles of Structural Equation Modeling : An Introduction of Lisrel and EQS. New York: Springer

Raykov,T and Marcoulides,G.A. (2006). A First Course in Structural Equation Modeling 2nd. New Jersey London: Lawrence Erlbaum Associates

Schumacker,R.E And Lomax, R.J. (2010). A Beginner's Guide Structural Equation Modeling 3rd. New Jersey London:Lawrence Erlbaum Associates

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.

Baca juga :

1. Langkah Analisis MDS dengan SPSS

2. Model Regresi dengan Moderasi

3. Model Moderator Regression Analysis (MRA)

Referensi :

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

Hair,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

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 sebagai berikut :

Mengetahui atribut produk yang disukai konsumen.
Membantu menentukan komposisi atribut produk baru.
Menganalisis atribut-atribut produk yang sudah diluncurkan ke pasaran, sehingga perusahaan dapat memperbaiki produk tersebut.

Persyaratan untuk melakukan analisis conjoint diperlukan 2 file yaitu :

File Data, yaitu berisi nilai preferensi atau berupa ranking atribut yang diberikan oleh konsumen.
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 :

Subperintah Subject, perintah ini memungkinkan kita untuk membuat spesifikasi suatu variabel yang berasal dari file data untuk digunakan sebagai penanda (identifier).
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.

Baca juga :

1. Langkah membuat kartu stimuli

2. Langkah Analisis Conjoint

3. Langkah Analisis MANOVA dengan SPSS

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

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 yaitu Control Chart Variable dan Control Chart Attribute.

Control Chart Variable yaitu diagram kontrol yang digunakan bila data pengukuran objeknya berskala kontinue seperti : panjang, kecepatan, bobot, volume dan lainya. Type diagram ini adalah

1. Xbar R Chart, digunakan untuk jumlah unit sampel pengukuran antara 2-10 berskala kontinue.

Formula :

Rumus X-Bar R Chart

2. Xbar S Chart, digunakan untuk jumlah unit sampel lebih dari 10 berskala kontinue.

Formula :

Rumus X-Bar S Chart

3. I-MR Chart, digunakan untuk unit sampel 1 dan berskala kontinue

Formula :

Rumus I-MR Chart

Control Chart Attribute yaitu diagram kontrol yang digunakan apabila data pengukuran objeknya bersifat menghitung produk yang cacat atau jumlah karakteristik dari sebuah kecacatan. Tipe diagram kontrol chart attribute ada 4 antara lain P chart, NP Chart, C Chart dan U Chart.

1. P Chart digunakan untuk mengontrol prosentase kecacatan suatu item/produk dari suatu proses tertentu. Ukuran sampel yang diambil dalam setiap proses pemeriksaan berbeda.

Formula :

Rumus P Chart

2. NP Chart, digunakan untuk mengontrol rata-rata kecacatan suatu item/produk dalam proses tertentu. Ukuran sample yang diambil dalam setiap proses pemeriksaan sama.

Formula :

Rumus NP Chart

3. C Chart, digunakan untuk mengontrol jumlah karakteristik cacat pada suatu item dalam proses tertentu. Ukuran sampel yang diambil sama untuk setiap proses pemeriksaan.

Formula :

Rumus C Chart

4. U Chart, digunakan untuk mengontrol jumlah karakteristik cacat pada suatu item dalam suatu proses tertentu. Ukuran sampel yang diambil dalam setiap proses pemeriksan adalah tidak sama.

Formula :