Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

SESI 3  Statistika Non-Parametrik  Analisis Jalur (Path Analysis)  Analisis Faktor  Analisis Diskriminan Oleh : M. Haviz Irfani, S.Si, MTI

Presentasi serupa


Presentasi berjudul: "SESI 3  Statistika Non-Parametrik  Analisis Jalur (Path Analysis)  Analisis Faktor  Analisis Diskriminan Oleh : M. Haviz Irfani, S.Si, MTI"— Transcript presentasi:

1 SESI 3  Statistika Non-Parametrik  Analisis Jalur (Path Analysis)  Analisis Faktor  Analisis Diskriminan Oleh : M. Haviz Irfani, S.Si, MTI

2 Statistika Non-Parametrik Statistik Non-Parametrik merupakan salah satu pengujian hipotesa yang digunakan selain statistik Parametrik. Bentuk rumusan Hipotesis yang diuji terbagi menjadi 3 bagian, yaitu: Hipotesis Deskriptif (Penjelasan/Gambaran). Hipotesis Komparatif (Perbandingan), terdiri dari sampel berpasangan (2 sampel) atau lebih. Hipotesis Asosiatif (Hubungan), terdiri dari 2 sampel atau lebih.

3 Tabel 3.1 perbedaan dan kesamaan mendasar dari statistik parametrik dan statistik nonparametrik sebagai berikut: Keterangan Statistik Parametrik Statistik Non- Parametrik Bentuk data yang digunakan. - Interval dan Rasio - Nominal dan Ordinal Distribusi yang digunakan - Harus berdistribusi Normal - Bebas Distribusi (uji distribusi bebas /distribution free test). Pengambilan Sampel - Random/Acak Statistika Non-Parametrik

4 Tabel 3.1 Bentuk Statistik NonParametrik data Ordinal Statistika Non-Parametrik Macam data Bentuk Hipotesa Komparatif (dua Sampel)Komparatif (> 2 Sampel) RelatedIndependenRelatied Independe n Ordinal Sign Test Wilcoxon Mann- Whitney Kolmogrov- Smirnov Friedman Two Way Anova Kruskal -Wallis

5 UJI NORMALITAS Uji normalitas adalah uji untuk mengukur apakah data kita memiliki distribusi normal atau tidak, sehingga dapat dipakai dalam statistik parametrik (statistik inferensial). Statistika Non-Parametrik

6 Tujuan dan Kegunaan Uji Normalitas. Mengetahui ketetapan pemilihan uji yang akan digunakan Uji normalitas berguna untuk membuktikan data dari sampel yang dimiliki berasal dari populasi berdistribusi normal atau data populasi yang dimiliki berdistribusi normal. Statistika Non-Parametrik

7 Singkatnya?? data yang mempunyai distribusi normal akan mempunyai mean (rata-rata) dan simpangan baku yang normal, serta data sampel yang berdistribusi normal dianggap dapat mewakili populasi yang ada. Statistika Non-Parametrik

8 Uji Normalitas dengan Kolmogorov Smirnov (K-S) atau Shapiro Wilk Langkah-langkah Uji Normalitas: Ambil data contoh 1.sav Pilih menu Analyze Pilih submenu Explore Tekan tombol Plots Centang Normality plots with tests Statistika Non-Parametrik

9

10 Hipotesis: H 0 : data berdistribusi normal H 1 : data tidak berdistribusi normal Statistika Non-Parametrik Tests of Normality Kolmogorov-Smirnov a Shapiro-Wilk StatisticdfSig.StatisticdfSig. Nilai Mahasiswa * a. Lilliefors Significance Correction *. This is a lower bound of the true significance.

11 Kriteria: Tetapkan tarap signifikansi uji misalnya a = 0.05 (taraf kepercayaan 95%). Jika signifikansi yang diperoleh > a, maka Ho diterima Jika signifikansi yang diperoleh < a, maka Ho ditolak Oleh karena nilai sig.=0,607 > 0,05 maka H0 diterima, sampel berasal dari populasi yang berdistribusi normal. Statistika Non-Parametrik

12 Cara II Langkah-langkah : 1. Pilih Menu Analyze 2. Pilih Nonparametric Tests 3. Pilih Legacy Dialogs 4.Pilih 1-Sample K-S. Statistika Non-Parametrik

13 One-Sample Kolmogorov-Smirnov Test Nilai Mahasiswa N24 Normal Parameters a,b Mean Std. Deviation Most Extreme DifferencesAbsolute.083 Positive.078 Negative-.083 Kolmogorov-Smirnov Z.406 Asymp. Sig. (2-tailed).996 a. Test distribution is Normal. b. Calculated from data. Statistika Non-Parametrik Dari tabel di atas terlihat bahwa hasil Kolmogorov-Smirnov Z > 0,05 yaitu H0 diterima dan data contoh di atas berdistribusi Normal

14 UJI MANN -WHITNEY (2 Sample Bebas) Tujuan dan Kegunaan Uji Mann Whitney. Uji Mann Whitney bertujuan untuk mengetahui apakah dua buah sampel bebas berasal dari populasi yang sama, atau dua sampel tersebut tidak bergantung satu sama lainnya. Uji ini digunakan hanya untuk uji statistik non paramatrik (jika bertipe Nominal/ordinal atau bertipe interval/rasio tetapi tidak berdistribusi normal) Statistika Non-Parametrik

15 Contoh 2: Apakah terdapat perbedaan sikap konsumen berdasarkan tempat tinggal?, Atau apakah sikap konsumen di Palembang berbeda secara nyata dengan sikap konsumen di Jambi dalam hal pemasaran produk rumah makan XYZ? Statistika Non-Parametrik

16 Hipotesis: H 0 :Sikap konsumen di Palembang terhadap produk rumah makan XYZ tidak berbeda dengan sikap konsumen di Jambi dalam pemasaran produk rumah makan XYZ. H 1 : Sikap konsumen di Palembang terhadap produk rumah makan XYZ berbeda secara nyata dengan sikap konsumen di Jambi dalam pemasaran produk rumah makan XYZ. Statistika Non-Parametrik

17 Tests of Normality Kolmogorov-Smirnov a Shapiro-Wilk Statisti cdfSig. Statisti cdfSig. Kota Sikap Konsumen a. Lilliefors Significance Correction Statistika Non-Parametrik Karena data di atas baik variabel Kota dan variabel Sikap Konsumen menghasilkan sig.=0,000 < 0,05 (Taraf signifikan 5%) maka data-data tersebut tidak berdistribusi normal secara signifikan.

18 Langkah-langkah : 1. pilih menu analyze  Nonparametric Tests 2. Pilih Legacy Dialogs 3. Pilih 2 Independent Samples. Statistika Non-Parametrik

19 Test Statistics b Sikap Konsumen Mann-Whitney U Wilcoxon W Z Asymp. Sig. (2-tailed).001 Exact Sig. [2*(1-tailed Sig.)].001 a a. Not corrected for ties. b. Grouping Variable: Kota Hasil yang diperoleh, yaitu: Sig.=0,001 < 0,05 maka H0 ditolak, artinya Sikap konsumen terhadap produk rumah makan XYZ berbeda antara konsumen di Palembang dengan Jambi Statistika Non-Parametrik

20 UJI WILCOXON (2 Sample Berpasangan/Berhubungan) Digunakan untuk mengetahui keberartian tingkat perbedaan antara sesudah dan sebelum perlakuan, dilakukan uji Wilcoxon. Permasalahan: Apakah kenaikan BBM memberikan efek berarti bagi penjualan motor di perusahaan XYZ? Atau Bagaimana dampak kenaikan BBM terhadap penjualan motor pada perusahaan XYZ? Statistika Non-Parametrik

21 Hipotesis : H0: Kenaikan BBM tidak mempunyai efek berarti pada penjualan motor di perusahaan XYZ. H1: Kenaikan BBM mempunyai efek berarti pada penjualan motor di perusahaan XYZ. Statistika Non-Parametrik Tests of Normality Kolmogorov-Smirnov a Shapiro-Wilk StatisticdfSig.StatisticdfSig. Sebelum Kenaikan Setelah Kenaikan a. Lilliefors Significance Correction

22 Karena data di atas baik variabel Sebelum Kenaikan BBM dan variabel Setelah Kenaikan BBM menghasilkan sig. < 0,05 (Taraf signifikan 5%) maka data yang demikian tidak terdistribusi normal secara signifikan. Langkah-langkah: 1. Pilih menu analyze 2. Nonparametric Tests 3. Legacy Dialogs 4. 2 Related Samples. Statistika Non-Parametrik

23 Ranks NMean RankSum of Ranks Setelah Kenaikan - Sebelum Kenaikan Negative Ranks4a4a Positive Ranks20 b Ties1c1c Total25 a. Setelah Kenaikan < Sebelum Kenaikan b. Setelah Kenaikan > Sebelum Kenaikan c. Setelah Kenaikan = Sebelum Kenaikan Statistika Non-Parametrik Test Statistics b Setelah Kenaikan - Sebelum Kenaikan Z a Asymp. Sig. (2-tailed).000 a. Based on negative ranks. b. Wilcoxon Signed Ranks Test

24 Pada tabel hasil uji wilcoxon, menjelaskan selisih antara sesudah dan sebelum kenaikan BBM yang bernilai negatif (negative difference) rata-rata dari skor sesudah kenaikan memiliki nilai yang lebih kecil. Artinya, ada data penjualan sesudah kenaikan BBM yang lebih kecil dari sebelum kenaikan BBM sehingga mean rank sama dengan 4,75. Oleh karena Sig.=0,000 < 0,05 maka H0 ditolak, artinya Kenaikan BBM mempunyai efek berarti pada penjualan motor di perusahaan XYZ. Statistika Non-Parametrik

25 UJI KRUSKAL-WALLIS (k Sample Bebas) Analisis ini digunakan untuk menguji perbedaan > 2 sampel independen. Kruskall-Wallis termasuk dalam kategori statistik nonparametris. Data yang dapat dianalisis dengan Kruskall- Wallis (KW) dapat berupa data ordinal maupun data nominal. Statistika Non-Parametrik

26 Contoh 4: Permasalahan: Apakah terdapat hubungan/pengaruh golongan darah (A,B,dan O) dengan jenis materi yang disukai (Hitungan, Hafalan, dan keduanya)? Hipotesis: H 0 : Tidak ada hubungan antara golongan darah dengan jenis materi yang disukai. H 1 : Terdapat hubungan antara golongan darah dengan jenis materi yang disukai. Statistika Non-Parametrik

27 Tests of Normality Kolmogorov-Smirnov a Shapiro-Wilk StatisticdfSig.StatisticdfSig. Golo. Darah A Jenis Materi a. Lilliefors Significance Correction Statistika Non-Parametrik Oleh karena nilai signifikan (sig.) < 0,05 untuk semua golongan darah, maka data tersebut tidak berdistribusi normal sehingga dilakukan uji statistik non-parametrik.

28 Langkah-langkah: 1. pilih menu analyze 2. Pilih Nonparametric Tests 3. Pilih Legacy Dialogs 4. Pilih K Independent Samples. Statistika Non-Parametrik

29 Ranks Jenis MateriNMean Rank Gol. Darah Total74 Statistika Non-Parametrik Test Statistics a,b Golo. Darah A Chi-Square.314 df2 Asymp. Sig..855 a. Kruskal Wallis Test b. Grouping Variable: Jenis Materi

30 Kolom 1 yaitu N berarti jumlah data terdiri dari golongan darah A, B, danO, dengan jumlah data masing-masing 30, 23, dan 21 dengan totalnya 74. Kolom 2 yaitu Mean Ranks atau beda nilai rata- rata untuk golongan darah A = 36.33, golongan darah B = 37.17, dan golongan darah O = Asymp. Sig. = 0,855 > 0,05 maka dapat disimpulkan bahwa H 0 diterima, dan H 1 ditolak. Dengan kata lain, tidak ada perbedaan Jenis materi yang disukai dengan golongan darah atau rataan cara belajar mahasiswa golongan darah A, B, dan O adalah sama Statistika Non-Parametrik

31 FRIEDMAN (k Sample Berpasangan) Uji Friedman digunakan untuk komparasi K sampel berpasangan (berkorelasi) dengan data ordinal (ranking). Adapun kelompok sampel yang ada lebih dari 2 kelompok dengan karakter yang sama. Di dalam penelitian kelompok sampel dapat diambil lebih dari dua dengan karakter sampel yang berhubungan. Statistika Non-Parametrik

32 Permasalahan: Adakah perbedaan pengaruh ke empat paket terhadap citra rasa (kualitas) masakan pada restoran Fast Food? Hipotesis: H 0 : Tidak terdapat perbedaan citra rasa (kualitas) dengan meluncurkan ketiga paket tersebut H 1 : Terdapat perbedaan citra rasa (kualitas) dengan meluncurkan ketiga paket tersebut Statistika Non-Parametrik

33 Tests of Normality Kolmogorov-Smirnov a Shapiro-Wilk StatisticdfSig.StatisticdfSig. Paket Paket Paket Paket a. Lilliefors Significance Correction Statistika Non-Parametrik Oleh karena nilai signifikan (sig.) < 0,05 untuk semua golongan darah, maka data tersebut tidak berdistribusi normal (tabel di bawah) sehingga dilakukan uji statistik non- parametrik.

34 Langkah-langkah : 1. Pilih Analyze 2. Pilih Nonparametric Tests 3. Pilih Legacy Dialogs 4. Pilih K Related Samples. Statistika Non-Parametrik

35 Ranks Mean Rank Paket Paket Paket Paket Statistika Non-Parametrik Test Statistics a N12 Chi-Square.256 df3 Asymp. Sig..968 a. Friedman Test Berdasarkan perhitungan diatas dapat disimpulkan bahwa dengan derajat kesalahan penarikan kesimpulan sebesar (alpha) 0,05, keempat paket masakan yang diluncurkan oleh restoran pada masing-masing paket tidak berpengaruh secara signifikan terhadap kualitas masakan. Hal tersebut dapat dilihat yaitu dari Asymp. sig. (0,968) > 0,05.

36 SESI 3  Statistika Non-Parametrik  Analisis Jalur (Path Analysis)  Analisis Faktor  Analisis Diskriminan Oleh : M. Haviz Irfani, S.Si, MTI

37 Pengertian Path Analysis Analisis jalur dikembangkan pertama tahun 1920-an oleh seorang ahli genetika yaitu Sewall Wright. Analisis Jalur digunakan untuk menganalisis pola hubungan antar variabel dengan tujuan untuk mengetahui pengaruh langsung maupun tidak langsung seperangkat variabel bebas (eksogen) terhadap variabel terikat (endogen). Analisis Jalur (Path Analysis)

38 Manfaat Analisis Jalur Penjelasan terhadap fenomena yang dipelajari atau permasalahan yang diteliti Prediksi nilai variabel terikat (Y) berdasarkan nilai variabel bebas (X) Faktor Diterminan yaitu penentuan variabel bebas (X) mana yang berpengaruh dominan terhadap variabel terikat (Y),juga dapat digunakan untuk menelusuri jalur-jalur pengaruh variabel bebas (X) terhadap variabel terikat (Y). Pengujian model, untuk uji reabilitas (uji Keajegan) konsep yang sudah ada ataupun untuk uji pengembangan kosnsep baru. Analisis Jalur (Path Analysis)

39 Model Analisis Jalur Model Jalur Korelasi Analisis Jalur (Path Analysis) r 12 P 31 P 32 Model Jalur Median P 31 P 32 P 21 Model Jalur Bebas P 31 P 32

40 Model korelasi Analisis Jalur (Path Analysis) X Y r YX X1X1 X2X2 Y r X2X1 r YX1 r YX2 r Y.X2.X1 a).Korelasi Sederhana b). Korelasi Berganda

41 Apakah ada korelasi antara X1,X2 dan X3? Apakah X1,X2,X3 bersama-sama mempengaruhi Y? Masalah: Apakah model analisisnya? Seberapa besar X1,X2,X3 mempengaruhi Y baik secara sendiri-sendiri maupun secara gabungan? Pengaruh variabel bebas mana yang paling besar? Analisis Jalur (Path Analysis)

42 Model analisis Jalur Analisis Jalur (Path Analysis) X1 X2 Y r X1X2 P Y.X1 X3 r X2X3 P Y.X2 P Y.X3 r X1X3 Gambar. Hubungan struktural antara X,X2,X3 dan Y

43 Gambar tersebut memperlihatkan bahwa diagram jalur dari 3 variabel eksogen dan 1 variabel endogen. Persamaan struktural diagra jalur diatas yaitu: Y= P Y.X1.X1 + P Y.X2.X2 + P Y.X3.X3 + e Analisis Jalur (Path Analysis)

44 Langkah analisis: analyze  Correlate  Bivariate… Analisis Jalur (Path Analysis)

45 Two-tailed (uji dua sisi) digunakan untuk menguji test of significant dengan 2 sisi. Selain itu juga digunakan dalam kondisi belum diketahui bentuk hubungan antar variabel. One-tailed(uji satu sisi) digunakan untuk menguji test of significant dari 2 variabel, tetapi telah diketahui adanya kecenderungan hubungan negatif atau positif diantara dua variabel yang berhubungan. Analisis Jalur (Path Analysis)

46 Correlations X1X2X3Y X1Pearson Correlation ** Sig. (2-tailed) N20 X2Pearson Correlation * Sig. (2-tailed) N20 X3Pearson Correlation Sig. (2-tailed) N20 YPearson Correlation.674 **.532 *.3471 Sig. (2-tailed) N20 **. Correlation is significant at the 0.01 level (2-tailed). *. Correlation is significant at the 0.05 level (2-tailed). Analisis Jalur (Path Analysis)

47 Matriks korelasi antar variabel dari hasil sebelumnya: X1X2X3X4 X X X Y Analisis Jalur (Path Analysis)

48 Selanjutnya mencari koefisien jalur dengan cara: analyze  regression  pilih submenu Linear… Variables Entered/Removed b Model Variables Entered Variables RemovedMethod 1X3, X2, X1 a.Enter a. All requested variables entered. b. Dependent Variable: Y Analisis Jalur (Path Analysis)

49 Model Summary Mode lRR Square Adjusted R Square Std. Error of the Estimate a a. Predictors: (Constant), X3, X2, X1 Terlihat tabel diatas hubungan variabel X1,X2 dan X3 terhadap Y sebesar 60,1% artinya hubungan tersebut kuat positif. Analisis Jalur (Path Analysis) Tabel. hubungan X1,X2,X3 terhadap Y

50 ANOVA b Model Sum of Squaresdf Mean SquareFSig. 1 Regressio n a Residual Total a. Predictors: (Constant), X3, X2, X1 b. Dependent Variable: Y Hipotesis yang berkaitan dengan variabel X1,X2,X3 dan Y sebagai berikut: H0: X1,X2,X3 tidak mempengaruhi secara signifikan Y H1: X1,X2,X3 mempengaruhi secara signifikan Y Tabel di atas menunjukkan bahwa nilai sig.=0,000 < 0,05 (taraf signifikan), artinya H0 ditolak sehingga variabel X1,X2,X3 mempengaruhi secara signifikan variabel Y. Analisis Jalur (Path Analysis)

51 Coefficients a Model Unstandardized Coefficients Standardize d Coefficients tSig. BStd. ErrorBeta 1(Constant) X X X a. Dependent Variable: Y Sig.=0,003 <0,05, artinya X1 berpengaruh secara signifikan Y Sig.=0,008<0,05, arinya X2 berpengaruh secara signifikan Y Sig.=0,378>0,05, artinya X3 tidak berpengaruh secara signifikan Y Analisis Jalur (Path Analysis)

52 Karena X3 ke Y tidak bermakna maka variabel X3 dikeluarkan dan diagram jalur diperbaiki menjadi: X1 X2 Y r X1X2 P Y.X1 P Y.X2 Gambar.Hubungan structural antara X1,X2 dan Y Analisis Jalur (Path Analysis)

53 Gambar tersebut memperlihatkan bahwa diagram jalur dari 2 variabel eksogen dan 1 variabel endogen. Persamaan struktural diagram jalur diatas yaitu: Y= P Y.X1.X1 + P Y.X2.X2 + e Lakukan perhitungan ulang: Analisis Jalur (Path Analysis)

54 Hasil /keluaran dari masukkan di atas: Variables Entered/Removed b Mode l Variables Entered Variables RemovedMethod 1X2, X1 a.Enter a. All requested variables entered. b. Dependent Variable: Y Analisis Jalur (Path Analysis)

55 Model Summary Mod elR R Square Adjusted R Square Std. Error of the Estimate a a. Predictors: (Constant), X2, X1 Tabel di atas menunjukkan hubungan X1, X2 berhubungan sebesar 60,5% kuat positif. Analisis Jalur (Path Analysis)

56 ANOVA b Model Sum of Squaresdf Mean SquareFSig. 1Regression a Residual Total a. Predictors: (Constant), X2, X1 b. Dependent Variable: Y Hipotesis yang berkaitan dengan variabel X1,X2,X3 dan Y sebagai berikut: H0: X1,X2 tidak mempengaruhi secara signifikan Y H1: X1,X2 mempengaruhi secara signifikan Y Tabel di atas menunjukkan bahwa nilai sig.=0,000 < 0,05 (taraf signifikan), artinya H0 ditolak sehingga variabel X1,X2 mempengaruhi secara signifikan variabel Y. Analisis Jalur (Path Analysis)

57 Coefficients a Model Unstandardized Coefficients Standardi zed Coefficien ts tSig. BStd. ErrorBeta 1 (Constan t) X X a. Dependent Variable: Y Nilai sig.=0,001<0,05, artinya X1 mempengaruhi secara signifikan Y Nilai sig.=0,007<0,05, artinya X2 mempengaruhi secara signifikan Y Persamaan struktural diagram jalur diatas yaitu: Y= P Y.X1.X1 + P Y.X2.X2 + e ; P Y.X1 =0,609, P Y.X2 =0,444 dan P Y.e = e= =0,5949 Analisis Jalur (Path Analysis)

58 X1 X2 Y 0,145 0,609 0,444 Besarnya pangaruh secara proporsional: Pengaruh X1: Pengaruh langsung = P Y.X1 * P Y.X1 = 0,609*0,609= 0,371 Pengaruh melalui hubungan korelatif dengan X2 = P Y.X1 * r X1.X2 * P Y.X1 = 0,609*0,145*0,444 =0,039 Pengaruh X1 ke Y secara total = 0, ,039 = 0,410 Analisis Jalur (Path Analysis)

59 Pengaruh X2: *Pengaruh langsung = P Y.X2 * P Y.X2 = 0,444*0,444= 0,197 *Pengaruh melalui hubungan korelatif dengan X2 = P Y.X2 * r X1.X2 * P Y.X1 = 0,444*0,145*0,609 =0,039 *Pengaruh X1 ke Y secara total = 0, ,039 = 0,236 Dari perhitungan di atas terlihat bahwa pengaruh X1 ke Y lebih besar dari pada pengaruh X2 ke Y (41,0% dan 23,6%). Juga dapat dilihat dari tabel Coefficients a untuk kolom t yaitu t hitung X1 = 4,180 > t hitung X2 = 3,045. Analisis Jalur (Path Analysis)

60 Pengaruh Gabungan: Pengaruh gabungan X1 dan X2 ke Y adalah 0, ,236 = 0,646 (64,6%) sesuai dengan tabel model summary untuk kolom R 2 Y.(X1.X2). Besarnya pengaruh proporsional yang disebabkan oleh variabel lainnya diluar variabel X1 dan X2, dinyatakan dengan P 2 Y.e = (0,5949) 2 = 0,3539 atau sebesar 35,39%. Besarnya semua pengaruh yang diterima oleh variabel Y dari X1 dan X2, serta semua variabel dari luar X1 dan X2 adalah 0, ,354 =1 (100%). Analisis Jalur (Path Analysis)

61 SESI 3  Statistika Non-Parametrik  Analisis Jalur (Path Analysis)  Analisis Faktor  Analisis Diskriminan Oleh : M. Haviz Irfani, S.Si, MTI

62 Analisis faktor adalah suatu analisis data yang digunakan untuk mengetahui faktor- faktor yang dominan dalam menjelaskan suatu masalah. Contoh: suatu studi ingin mengetahui faktor-faktor dominan yang menentukan keberhasilan penerapan teknologi ERP. ada sekitar 20 peubah bebas yang digunakan untuk menentukan hal tersebut. Analisis Faktor

63 Analisis faktor akan menentukan faktor- faktor apa saja dari ke 20 peubah tersebut yang merupakan faktor-faktor dominan dalam menentukan keberhasilannya. Dalam analisis faktor, tidak ada variabel dependen dan independen. Analisis faktor juga digunakan untuk menemukan hubungan sejumlah variabel yang bersifat independent dengan yang lain atau dependent dengan yang lain. Analisis Faktor

64 analisis faktor dapat digunakan untuk mengetahui pengelompokan individu berdasarkan karakteristiknya, maupun untuk menguji validitas konstruk berdasarkan sifat-sifat: 1. Mampu menerangkan semaksimal mungkin keragaman data, 2. Faktor-faktor tersebut saling bebas, dan 3. Tiap-tiap faktor dapat diinterpretasikan. Analisis Faktor

65 Langkah atau prosedur penggunaan analisis factor eksploratori selalu memproses melalui 4 tahap, yaitu: Perhitungan korelasi matriks untuk semua variabel, Ekstraksi faktor untukmenentukan jumlah faktor, Rotasi, untuk membuat faktor lebihbermakna, dan Perhitungan skor setiap faktor untuk setiap case. Analisis Faktor

66 Adapun hipotesa untuk signifikansi adalah : Ho : sampel (variabel) belum memadai untuk dianalisis lebih lanjut H 1 : sampel (variabel) sudah memadai untuk dianalisis lebih lanjut Sedangkan kriteria dalam melihat signifikansi adalah : Sig. > 0,05, maka Ho diterima dan Sig < 0,05, maka Ho ditolak. Analisis Faktor

67 Menjalankan Prosedur Analisis Faktor Untuk penghitungan analisis faktor ini tahapannya sebagai berikut: Pilih file Data analisis faktor 1.sav Pilih menu Analyze, lalu pilih Dimension Reduction dan pilih Factor Analisis Faktor

68 Pilih Descriptives…Continue dan OK Analisis Faktor KMO adalah sebuah indeks untuk membandingkan besarnya nilai koefisien korelasi yang diamati terhadap besarnya korelasi parsial. KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy..713 Bartlett's Test of Sphericity Approx. Chi-Square df10 Sig..000

69 Selain itu perlu diperhatikan angka KMO atau MSA (Measure of Sampling Adequacy), yaitu berkisar 0 sampai 1 dengan kriteria : MSA = 1; variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel lain MSA > 0,5; variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut MSA < 0,5; variabel tidak dapat diprediksi dan tidak dapat dianalisis lebihlanjut, atau harus dikeluarkan dari variabel lainnya. atau: Besarnya KMO adalah bila besarnya 0,90 bagus sekali (marvelous), 0,80 bermanfaat (meritorious), 0,70 sedang/ cukup(middling); 0,60 sedikit cukup (mediocre), 0,50 gawat/ menyedihkan (miserable), dan di bawah 0,50 tidak dapat diterima (unacceptable). Analisis Faktor

70 Dalam menu Extraction berisikan berbagai tools untuk melakukan proses ekstraksi variabel (factoring). Pada bagian Method tetapkan pada pilihan PrincipalComponents (pilihan ini sudah default). Kemudian untuk bagian Analyze tetap pada pilihan Correlation Matrix; aktifkan unrotated factor solution dan Scree plot pada bagian Display; sedangkan eigen values over tetap pada angka 1 dan Maximum iteration, juga tetap pada angka 25. abaikan bagian yang lain dan tekan tombol Continue untuk kembali ke menu utama. Analisis Faktor

71

72 Anti-image Matrices K1K2K3K4K5 Anti-image Covariance K K K K K Anti-image Correlation K1.703 a K a K a K a K a a. Measures of Sampling Adequacy(MSA) Nilai diagonal matriks anti-image Correlation >0,5, dan banyak koefisien korelasi parsial yang negatif. Untuk mempertimbangkan kembali tepat atau tidak menggunakan analisis faktor. Analisis Faktor

73 Communalities InitialExtraction K K K K K Extraction Method: Principal Component Analysis. Nilai communalities ini sama pengertiannya dengan nilai koefisien determinasi (pada model regresi). Ekstraksi merupakan hubungan antara faktor-faktor dan variabel individu. Misal nilai 82,9%, maka varians dari variabel tersebut dapat dijelaskan oleh faktor yang terbentuk. Semakin besar communities maka semakin erat hubungannya dengan faktor yang terbentuk. Analisis Faktor

74 Total Variance Explained Comp onent Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings Total % of Variance Cumula tive %Total % of Variance Cumulati ve %Total % of Variance Cumulat ive % Extraction Method: Principal Component Analysis. faktor yang terbentuk sebanyak 2 faktor, dengan masing-masing mempunyai nilai eigen values dan berarti faktor-1 beranggotakan variabel dan faktor-2 beranggotakan variabel (faktor yang mempunyai nilai eigenvalues < 1, berarti tidak mempunyai anggota variabel pembentuk faktor). Analisis Faktor

75 Component Matrix a Component 12 K K K K K Extraction Method: Principal Component Analysis. a. 2 components extracted. Tabel Component Matrix di atas menunjukkan nilai loading factor masing-masing variabel terhadap faktor. Loading Factor adalah nilai yang menunjukkan hubungan (korelasi) suatu variabel terhadap faktor.

76 Apabila suatu variabel mempunyai nilai loading factor terbesar pada faktor tertentu (dibanding faktor lainnya), maka variabel tersebut akan menjadi anggota atau pembentuk faktor tersebut. Nilai loading faktor yang disarankan sebagai penentu komponen faktor yaitu setidaknya bernilai 0,7 (korelasi ≥ 0,7). Hal ini sesuai dengan pendefinisian koefisien korelasi bahwa (0,7 ≤ r <0,9) dikatakan bahwa adanya hubungan yang kuat antar variabel yang diteliti. Analisis Faktor

77 Rotated Component Matrix a Component 12 K K K K K Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 3 iterations. Proses inti dari analisis faktor adalah melakukan ekstraksi terhadap sekumpulan variabel yang ada, sehingga terbentuk satu atau lebih faktor. Setelah satu atau lebih faktor terbentuk, dengan sebuah faktor berisi sejumlah variabel,mungkin saja sebuah variabel sulit untuk ditentukan akan masuk dalam faktor yang mana. Atau jika yang terbentuk dari proses factoring hanya satu faktor, bisa saja sebuah variabel diragukan apakah layak dimasukkan dalam faktor yang terbentuk atau tidak. Untuk mengatasi hal tersebut, bisa dilakukan proses rotasi pada faktor yang terbentuk sehingga memperjelas posisi sebuah variabel, akankah dimasukkan pada faktor yang mana. Analisis Faktor Faktor 1: K5,K3, dan K4 Faktor 2: K2 dan K1

78 SESI 3  Statistika Non-Parametrik  Analisis Jalur (Path Analysis)  Analisis Faktor  Analisis Diskriminan Oleh : M. Haviz Irfani, S.Si, MTI

79 Salah satu teknik statistik yang digunakan pada hubungan dependensi (hubungan antar variabel mana variabel respon (data kualitatif) dan mana variabel penjelas (data kuantitatif) Bertujuan untuk mengklasifikasikan suatu individu atau observasi ke dalam kelompok saling bebas dan menyeluruh berdasarkan variabel penjelas.

80 Analisis Diskriminan juga digunakan untuk memodelkan suatu hubungan antara variabel dependen yang berdata kategori dengan beberapa variabel independen (prediktor). Analisis ini juga digunakan untuk mengelompokkan setiap objek ke dalam dua atau lebih kelompok berdasarkan pada sejumlah kriteria variabel independen. Analisis Diskriminan

81 Contoh : Di sebuah laboratorium dilakukan penelitian untuk mengetahui apa saja yang membedakan bunga A dan bunga B yang masih satu species. Untuk itu, diambil sampel bunga A dan B masing-masing sebanyak 10 buah. Kedua bunga dihitung lebar kelopaknya (X1)dan lebar daunnya (X2). Diketahui juga bahwa kedua bunga dapat dijadikan indikator derajat keasaman suatu zat (pH), maka diteliti juga pada trayek pH berapa saja kedua bunga sensitif untuk mendeteksinya(X3).

82 Variabel yang digunakan: Variabel dependen (Y): 0=bunga A 1=bunga B Variabel independen: X1=lebar kelopaknya X2=lebar daunnya X3=sensitif untuk mendeteksinya(X3).

83 Langkah-langkah: Buka file data analisis diskriminan 1.Pilih menu Analyze 2. Pilih Classify 3. Pilih Discriminant 4. Masukkan variabel bebas pada kolom independen 5. Masukkan variabel group ke kolom grouping variabel 6. Klik Define Range, isikan angka1 dan angka2 7.Klik tombol statistics, klik means, univariate ANOVA, Box’s M,Unstandardized,continue 8. Klik tombol Classify,klik Casewise result, summary table 9. Continue dan OK Analisis Diskriminan

84 1.Pilih menu Analyze 2. Pilih Classify 3. Pilih Discriminant 4.Masukkan variabel bebas pada kolom independen 5. Masukkan variabel group ke kolom grouping variabel 6. Klik Define Range, isikan angka1 dan angka2 Analisis Diskriminan

85 7. Klik tombol statistics, klik means, univariate ANOVA, Box’s M,Unstandardized, continue Klik tombol Classify,klik Casewise result, summary table Analisis Diskriminan

86 Group Statistics YMean Std. Deviation Valid N (listwise) UnweightedWeighted.00000X X X X X X TotalX X X Menggambarkan rata-rata dan standar deviasi dari tiap kelompok per karakteristik. Kelompok memiliki rata- rata persepsi lebih positif. Analisis Diskriminan

87 Tests of Equality of Group Means Wilks' LambdaFdf1df2Sig. X X X Analisis Diskriminan Mengidentifikasi faktor-faktor yang signifikan membedakan antara dua kelompok tersebut digunakan Wilks' Lambda dan F. Wilks' Lambda berkisar 0 s/d 1. Mendekati nol, artinya semakin signifikan karakter tersebut membedakan antara dua variasi kelompok. Jika semakin dekat dengan 1 maka variasi data untuk karakteristik tersebut cenderung sama

88 Hipotesis: H0: Tidak ada perbedaan antara group/kelompok H1: Terdapat perbedaan antara group/kelompok Untuk F test: Sig. > 0,05, artinya tidak ada perbedaan antara group Sig. < 0,05, artinya terdapat perbedaan antara group Untuk X1  sig.=0,00<0,05, tolak H0 Untuk X2  sig.= 0,00<0,05, tolak H0 Untuk X3  sig.=0,049<0,05,tolak H0

89 Test Results Box's M FApprox df16 df Sig..000 Tests null hypothesis of equal population covariance matrices. Analisis Diskriminan Salah satu asumsi yang harus dipenuhi dalam analisis diskriminan adalah homogenitas varians. Hipotesis: H0: varians antara dua kelompok data identik/homogen H1:varians antara dua kelompok data tidak identik/heterogen Terlihat dari tabel nilai sig.=0,000<0,05 Ternyata H0 ditolak. Artinya varians antara dua kelompok tidak sama.

90 Eigenvalues FunctionEigenvalue% of VarianceCumulative % Canonical Correlation a a. First 1 canonical discriminant functions were used in the analysis. Analisis Diskriminan Digunakan untuk mengukur derajat hubungan antara hasil diskriminan skor dengan kelompok bunga atau besarnya variabilitas yang mampu dijelaskan oleh variabel independen terhadap variabel dependen. Jika (0,973*0,973) =0,946729; artinya 94,6729% varians dari variabel dependen (kelompok bunga) dapat dijelaskan dari model diskriminan yang terbentuk.

91 Wilks' Lambda Test of Function(s) Wilks' Lambda Chi- squaredfSig Terlihat dari tabel nilai sig.=0,000<0,05 Ternyata H0 ditolak. Artinya ada perbedaan signifikan antar kelompok bunga pada model diskriminan. Analisis Diskriminan

92 Canonical Discriminant Function Coefficients Function 1 X X2.381 X3.146 (Constant) Unstandardized coefficients Z= -15, ,893.X1+0,381.X2+0,146.X3 Model di atas digunakan untuk menghasilkan diskriminan score untuk memprediksi pengklasifikasian bunga. Analisis Diskriminan

93 Menentukan critical cutting score: nilai critical cutting score Jml sampel dalam grup A Jml sampel dalam grup B Nilai centroid untuk grup A Nilai centroid untuk grup B Analisis Diskriminan

94 Functions at Group Centroids Y Function Unstandardized canonical discriminant functions evaluated at group means Classification Results a Y Predicted Group Membership Total OriginalCount % a % of original grouped cases correctly classified. Z= -15, ,893.X1+0,381.X2+0,146.X3= -4, Untuk selengkapnya dapat dilihat pada tabel Casewise Statistics kolom Casewise Statistics Analisis Diskriminan

95 Terima Kasih, Salam….


Download ppt "SESI 3  Statistika Non-Parametrik  Analisis Jalur (Path Analysis)  Analisis Faktor  Analisis Diskriminan Oleh : M. Haviz Irfani, S.Si, MTI"

Presentasi serupa


Iklan oleh Google