METODOLOGI PENELITIAN SESI 11 Korelasi dan REGRESI Analisis Faktor

KORELASI Analisis ini berguna untuk: 1. mengetahui apakah diantara dua variabel terdapat hubungan. 2. Jika terdapat hubungan bagaimana arah hubungan. 3. Berapa besar hubungan.

Jenis Korelasi 1. Korelasi Bivariat (berganda) a. Data Interval……Pearson b. Data Ordinal……Kendal, Spearmen 2. Korelasi Parsial

KORELASI BIVARIATE Pearson corr: Prosedur: Analyze, Correlate, Bivariate, masukkan variabel yang diuji, pearson, ok.

Output_1 Hubungan antara Total penjualan Promosi Penjualan dilihat dari angka signifikansi yaitu sebesar 0,000. Bandingkan dengan 5%, jika sig < 5% maka terdapat hubungan 2. Arah hubungan dilihat dari tanda + atau – didepan angka Pearson Corr. Diketahui bahwa hub positif. Besarnya hubungan dilihat dari angka pearson corr. Yaitu 0,734 Jika promosi meningkat berhubungan dengan peningkatan total penj sebaliknya

KORELASI PARSIAL Untuk mengetahui hubungan dua variabel dimana ada satu variabel pengontrol. Yang diasumsikan memiliki hubungan tetap. Prosedur: Analyze, Correlate, Parsial, masukkan variabel yg ingin dianalisis, dg jumlah dealer sbg pengontrol, kmd two tails, ok.

Output_2 Hubungan antara Total penjualan Promosi Penjualan dilihat dari angka signifikansi yaitu sebesar 0,000. Bandingkan dengan 5%, jika sig < 5% maka terdapat hubungan 2. Arah hubungan dilihat dari tanda + atau – didepan angka Pearson Corr. Diketahui bahwa hub positif. Besarnya hubungan dilihat dari angka pearson corr. Yaitu 0,648 Semakin tingginya jml dealer maka kenaikan promosi penjualan berhubungan dengan peningkatan promosi

Pengertian Analisis regresi secara umum adalah studi mengenai ketergantungan variabel terikat (dependen) dengan satu atau lebih variabel independen (variabel penjelas/ bebas), dengan tujuan untuk mengestimasi dan atau memprediksi rata-rata populasi atau nilai rata-rata variabel dependen berdasar nilai variabel independen yang diketahui (Gujarati, 2003)

Hasil analisis regresi adalah berupa koefisien untuk masing-masing variabel independen. Koefisien ini diperoleh dengan cara memprediksi nilai variabel dependen dengan suatu persamaan, koefisien regresi dihitung dengan tujuan : meminimumkan penyimpangan antara nilai aktual dan nilai estimasi variabel dependen berdasarkan data yang ada (Tabachnic, 1996).

Regresi Vs Korelasi Korelasi bertujuan untuk mengukur kekuatan hubungan linier antara dua variabel. Korelasi tidak menunjukkan hubungan fungsional atau dengan kata lain analisis korelasi tidak membedakan variabel dependen dan independen. Dalam regresi, selain mengukur kekuatan hubungan dua variabel atau lebih, juga menunjukkan arah hubungan antara variabel dependen dan independen Teknik estimasi variabel dependen yang melandasi analisis regresi disebut ordinary least squares (OLS). Inti metode OLS adalan mengestimasi suatu garis regresi dengan jalan meminimalkan jumlah dari kuadrat kesalahan setiap observasi terhadap garis tersebut.

Menilai Goodness of Fit Suatu Model Ketepatan fungsi regresi sampel dalam menaksir nilai aktual dapat diukur dari goodness of fitnya. Secara statistik, setidaknya dapat diukur dari nilai koefisien determinasi (R2), nilai statistik F dan nilai statistik t. Perhitungan statistik disebut signifikan secara statistik apabila uji statistiknya berada dalam daerah kritis (daerah dimana Ho ditolak). Sebaliknya disebut tidak signifikan bila nilai uji statistiknya berada dalam daeerah dimana Ho diterima

koefisien determinasi (R2) Koefisien determinasi pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen Uji Signifikansi simultan (F) pada dasarnya menunjukkan apakah semua variabel independen atau bebas yang dimasukkan dalam model memiliki pengaruh secara bersama-sama terhadap variabel dependen

Regresi Berganda

Uji F Signifikan Uji t Signifikan

Analisis Faktor Variabel / atribut penjualan diteliti : Layout pertokoan, kelengkapan barang yang dijual, harga barang, pelayanan karyawan toko, pelayanan kasir, promosi, image dan kebersihan.

Analisis Faktor Analyze, Data reduction, faktor. masukkan variabelnya, kmd pilih diskriptif, isi dengan KMO danAnti image, extraction=Pricipal Component, Corr matriks, Unrotated FFac solution dan Scree plot. Eigenvalues dan max iteration tetap. Kmd rotation, varimax, Rotated sol, Loading plot, iterasi tetap

Asumsi yang mendasari dapat tidaknya digunakan analisis faktor adalah data matriks harus memiliki korelasi yg cukup, uji Barlett’s merupakan uji statistik untuk menentukan ada tidaknya korelasi antar variabel dapat dilihat dari: Angka KMO dan Barlet >0,5 Signifikansi < 5% Jika indikator diatas terpenuhi maka menunjukkan bahwa analisis faktor untuk masing-masing quest dapat dilanjutkan MSA (Measure of Sampling Adequacy): -MSA = 1, variabel dp diprediksi tanpa kesalahan -MSA >0,5 dp diprediksi & dianalisis -MSA<0,5 tdk dapat diprediksi & dianalisis

Anti Image, angka diagonal > 0,5

Dari tabel diatas, terlihat bahwa angka diagonal menunjukkan angka > 0,5 yang berarti bahwa seluruh quest dapat diuji untuk dikelompokkan. Jika terdapat quest yang <0,5 maka quest tersebut dikeluarkan dari analisis, kemudian dilakukan pengujian ulang dengan analisis faktor. Pengujian ulang dilakukan Sampai semua angka diagonal menunjukkan >0,5

Lihat varian yang dapat menjelaskan komponen yg dibentuk, pada ekstraksi ke 3, analisis kemudian sudah tdk dapat dilanjutkan lagi krn sudah <1

Tabel diatas menunjukkan bahwa ekstraksi dilakukan untuk melihat banyaknya pengelompokan, tabel diatas menunjukkan ada 3 kelompok Loading masing-masing fakor menunjukkan %tase kemampuan menjelaskan

Component matrik, lihat loading yang mana yg besar dan masuk komponen mana.

Rotated semakin memperjelas pengelompokkan