ITB/SAPPK/AR5152 Analisis Kuantitatif/Catatan Kuliah Alia Widyarini H.

/25210004

Kuliah 16 Agustus 2010

TERMINOLOGI
1. PENELITIAN (RISET) Menurut Creswell adalah rangkaian kegiatan mengumpulkan data, analisis data, dan interpretasi hasil analisis untuk mendapatkan pengetahuan baru. Menurut Snyder (1984), research as

systematic inquiries directed towards the creation of knowledge.
2. METODOLOGI PENELITIAN

Pengetahuan tentang metode pengumpulan data dan analisis data, sedangkan menurut Creswell adalah strategies of inquiries 3. METODE Menurut Creswell metode adalah prosedur yang mendetail mengenai pengumpulan data, analisis, dan penulisan (pada riset) 4. ANALISIS Kegiatan untuk menemukan pattern atau ciri khas dalam data (kolektif) 5. CIRI KHAS PERSPEKTIF POST-POSITIVISM - Ada kausalitas (sebab-akibat) - Reduksionisme, yaitu hanya variabel-variabel tertentu yang dilihat, tidak semuanya - Observasi empirik - Kuantitatif 6. CIRI KHAS PERSPEKTIF SOCIAL CONSTRUCTIVISM - Subjektif - Kompleks, yaitu variabel-variabelnya tidak ditentukan - Tidak reduksionis, tapi keutuhan (holistik) - Interaksi penting - Hasil dari penelitian berupa story telling (berupa kata-kata) 7. CIRI KHAS PERSPEKTIF ADVOCACY/PARTICIPATORY - Political - Empowerment issue-oriented - Collaborative - Change oriented

1

8. CIRI KHAS PERSPEKTIF PRAGMATISM - Consequences of actions - Problem-centered - Pluralistic - Real-world practice oriented 9. PERBEDAAN RISET KUALITATIF DAN KUANTITATIF Riset Kuantitatif Objektif Reduksionis Hasil riset berupa numerik (angka/nilai) Variabel ditentukan di depan, sebelum pengumpulan data, yang dicari hubungan antar variabel Variabelnya diketahui, hanya hubungan antar variabel yang belum diketahui Terdapat hipotesis Verifikasi teori Intervensi dari peneliti sedikit, biasnya sedikit Interpretasi setelah hasil statistiknya jadi Konfirmatif, menstrukturkan faktor

P ost-positivism

Subjektif Kompleks atau keutuhan Hasil riset berupa teori atau story Variabel tidak ditentukan, peneliti tidak tahu apa yang akan dijawab responded Sebelumnya tidak tahu menjadi tahu Tanpa hipotesis Membuat teori baru Intervensi dari banyak tempat, biasnya banyak Interpretasi dari awal Eksploratif, mencari dan menggali segala macam kemungkinan yang dapat menjelaskan fenomena

Social Constructivist

Riset Kualitatif

Close ended

Open ended

Kuliah 30 Agustus 2010

1. CIRI KHAS METODE PENGUMPULAN DATA OBSERVASI - Langsung berada pada lokasi/objek yang diamati - Sebagai outsider (unnoticed) atau insider (living in) atau untuk mencari jejak - Terstruktur - Pengumpulan informasi primer 2. CIRI KHAS METODE PENGUMPULAN DATA SURVEI - Pengumpulan informasi primer - Terstruktur, semi terstruktur, tidak terstruktur - Dilakukan kepada penghuni, pengguna, dan konsumen 3. CIRI KHAS METODE PENGUMPULAN DATA MAPPING - Pengumpulan informasi primer - Termasuk ke dalam observasi - Terstruktur - Peneliti merupakan outsider (unnoticed) - Untuk tracking berupa track path dan traces - Hasilnya berupa map sketch, pattern kegiatan, clues of behaviour pattern, dan identifikasi gerakan dan sirkulasi
2

4. CIRI KHAS METODE PENGUMPULAN DATA SORTING - Pengumpulan informasi primer - Peneliti merupakan insider - Memberikan urutan berdasarkan suatu kategori tertentu, misalnya preferensi - Terdiri atas directed sort dan free sort. Directed sort, kategori pengurutan telah ditentukan sebelum melakukan sorting oleh peneliti, sedangkan free sort kategori pengurutan tidak ditentukan oleh peneliti tetapi berdasarkan responden. 5. CIRI KHAS METODE PENGUMPULAN DATA ARSIP - Pengumpulan informasi sekunder 6. TIGA LANGKAH CONTENT ANALYSIS 1) Mencari kata kunci atau ciri khas 2) Mengelompokkan menjadi kategori, yaitu kata kunci yang mirip dijadikan satu kategori diwakili oleh kata kunci sendiri 3) Menghitung kata kunci atau ciri khas yang paling sering muncul Menurut Neuman (2006), content analysis adalah suatu teknik untuk meneliti isi atau informasi dan simbol yang terkandung di dalam dokumen tulisan atau media komunikasi, seperti foto, film, lirik musik, dan iklan. Dalam melakukan content analysis, peneliti mengidentifikasi materi yang dianalisis dan kemudian membuat sistem tertentu untuk merekam aspek spesifik dari isinya, seperti tiga langkah yang telah disebutkan di atas. Pada umumnya pada saat analisis menggunakan grafik atau chart. Content analysis merupakan metode nonreactive karena yang membuat data untuk dianalisis tidak mengetahui bahwa hal tersebut diteliti.
Kuliah 20 September 2010

PEMAHAMAN TUGAS Tugas tersebut merupakan salah satu metode dalam pengumpulan data, yaitu yang berupa open ended. Metode tersebut biasa digunakan untuk pengumpulan data secara kualitatif. Responden bebas untuk menuliskan apapun tanpa ada batasan-batasan atau variabel-variabel tertentu dari peneliti. Dengan demikian, peneliti mendapatkan banyak hal, bahkan di luar yang diasumsikan oleh peneliti sendiri. Metode pengumpulan data seperti ini memiliki ciri khas subjektif dan menyeluruh, serta digunakan pada tugas: deskripsi alasan masuk S2; deskripsi rumah impian; evaluasi rumah bagus, biasa, dan jelek; serta tempat favorit. Pada tugas terakhir, analisis data teks yang berupa analisis data open ended menjadi sebuah histogram berisikan data-data numerik. Metode analisis yang digunakan adalah content analysis. Dari data yang dikumpulkan, pertama dicari dulu kata-kata kuncinya, kemudian langkah kedua kata-kata kunci yang sama dijadikan satu kategori, setelah itu langkah ketiga frekuensi dari kata kunci yang telah dikategorikan tersebut dihitung. Hasil dari analisis data ini berupa histogram (distribusi), mempermudah dalam melihat kategori yang memiliki frekuensi paling banyak dan yang paling sedikit, sehingga dari hasil histogram ini peneliti dapat mengintepretasikannya.

3

ANOVA
(Analysis of variance) Fungsi Untuk mengetahui perbedaan parameter (indikator numerik yang digunakan untuk memberikan ukuran, selalu data continous) antar data nominal dengan melihat nilai rata-rata parameter dari setiap kategori dalam data nominal tersebut. Menurut buku Pengolahan Data Statistik dengan SPSS 16.0, One-way Anova digunakan untuk menganalisis varians variabel independen. Analisis varians digunakan untuk hipotesis beberapa mean yang sama. Selain itu, teknik ini juga digunakan untuk mengetahui selisih di antara mean atau untuk mengetahui mean yang mana yang menyebabkan berbeda. Anova paling mudah dipahami jika ditampilkan dalam bentuk diagram dua dimensi. Pada Anova data angka diubah menjadi grafik, sehingga dapat dianalisis, diintepretasikan dan menghasilkan temuan. Kriteria  standard yang digunakan untuk menilai parameter (= sesuatu yang menunjukkan nilai/angka) Kriteria data Anova menurut buku Pengolahan Data Statistik dengan SPSS 16.0 adalah sebagai berikut: 1. Sebelum menguji dengan Anova, data harus berdistribusi normal dan mempunyai varians yang sama. 2. Data yang digunakan pada Anova untuk nilai variabel pada faktor harus integer, sedangkan variabel dependen harus berupa data kuantitatif (tingkat pengukuran interval). 3. Asumsi yang digunakan pada Anova, yaitu setiap kelompok pada sampel acak independen dari populasi yang normal dan bervarian homogen. 4. Dari output uji Anova akan diperoleh F hitung. Jika nilai F hitung tidak signifikan, berarti ratarata variabel pada tingkat faktor yang ditentukan identik. Jika F hitung signifikan berarti terdapat perbedaan rata-rata variabel dependen pada tingkat faktor yang telah ditentukan. Ciri-khas, sumbu x, sumbu y Terdapat dua sumbu, yaitu sumbu x dan sumbu y, dimana Sumbu x  data nominal (kategori) atau ordinal (ranking) Sumbu y  data continous (interval atau rasio) Jenis data Hasil pengukuran suatu variabel dinyatakan dengan data. Jenis data sangat mempengaruhi jenis analisis yang dapat digunakan, berikut adalah tiga jenis data: 1. Data nominal merupakan data yang berupa kategori, seperi jenis pekerjaan, kota tempat tinggal, dan sebagainya, data ini tidak selalu berupa angka/numerik. Menurut buku Pengolahan Data Statistik dengan SPSS 16.0, data nominal dalam level pengukuran merupakan data yang paling rendah levelnya karena data nominal hanya menghasilkan satu kategori saja, dan data dianggap setara. Data nominal termasuk data

4

kualitatif, yaitu data yang hasilnya tidak berupa angka dan tidak bisa dilakukan operasi matematika. 2. Data ordinal merupakan data yang berupa urutan atau rangking, data ini selalu berupa angka tapi intervalnya tidak terlalu sama. Data ordinal mempunyai level yang lebih tinggi dibanding data nominal, pada data ordinal terdapat tingkatan data. Data ordinal termasuk data kualitatif, jika data berupa data ordinal maka data diubah menjadi bilangan. Bilangan yang digunakan bulat dan sudah mengenal urutan tinggi rendah, besar kecil, contohnya banyaknya siswa, jumlah penduduk, sikap konsumen terhadap suatu produk, dan sebagainya. 3. Data continous adalah data yang berupa interval atau rasio. Data interval adalah data yang memiliki peringkat, seperti data hasil likert, sequential differential method, sedangkan data rasio adalah data yang memiliki nilai kuantitatif yang sebanding dengan besaran angkanya dan antar angka dapat dibandingkan secara langsung. Menurut buku Pengolahan Data Statistik dengan SPSS 16.0, data interval mempunyai level pengukuran yang lebih tinggi dibanding data ordinal. Data interval termasuk data kuantitatif, yaitu data yang hasilnya berupa angka dalam arti yang sebenarnya dan bisa dilakukan operasi matematika. Data interval merupakam data hasil pengukuran yang bisa berbentuk bilangan numerik bulat dan pecahan. Pada data interval tidak mempunyai nilai nol mutlak. Data rasio merupakan data yang paling tinggi levelnya diantara data-data yang lain. Data rasio termasuk data kuantitatif, data yang berupa angka yang sebenarnya. Data rasio merupakan data hasil pengukuran yang bisa berbentuk bilangan numerik bulat dan pecahan dan mempunyai nilai nol mutlak. Data rasio dapat dilakukan operasi matematika dan yang membedakannya dengan data interval adalah nilai nol mutlak. Tabel 1. Perbedaan Jenis Data berdasarkan buku Pengolahan Data Statistik dengan SPSS 16.0 Data Nominal Data kualitatif Tidak dapat dilakukan operasi matematika Data dianggap setara Nilai nol sebagai simbol Contoh: Kategori rumah tinggal Data Ordinal Data kualitatif Tidak dapat dilakukan operasi matematika Data mempunyai tingkatan Nilai nol sebagai simbol Contoh: Motivasi kerja Data Interval Data kuantitatif Dapat dilakukan operasi matematika Data mempunyai tingkatan Tidak mempunyai nilai nol mutlak Contoh: Pengukuran suhu Data Rasio Data kuantitatif Dapat dilakukan operasi matematika Data mempunyai tingkatan Mempunyai nilai nol mutlak Contoh: Data berat badan

5

Contoh diagram Anova

7

6

5

suka

4

3

2

1

1

2

3

4

5

6 Objek

7

8

9

10

11

12

Diagram 1. Perbedaan tingkat preferensi antar objek. Sumbu x, nomer objek dari 1 s/d 12. Sumbu y data interval evaluasi suka-tidak suka.
Oneway Anova Summary of Fit Rsquare Adj Rsquare Root Mean Square Error Mean of Response Observations (or Sum Wgts) Analysis of Variance Source DF Objek Error C. Total 11 240 251 0.445692 0.420287 1.543676 3.253968 252 Mean Square 41.8038 2.3829 F Ratio 17.5430 Prob > F <.0001

Sum of Squares 459.8413 571.9048 1031.7460

6

Tabel 2. Nilai rata-rata preferensi dan standar deviasi 12 rumah tinggal. Nilai rata-rata (mean) semakin tinggi tingkat preferensi semakin tinggi. Standar deviasi (std dev) semakin tinggi, kesepakatan evaluasi semakin rendah.
Means for Oneway Anova Level Number Mean 1 21 2.23810 2 21 4.90476 3 21 4.14286 4 21 2.09524 5 21 6.23810 6 21 2.90476 7 21 1.52381 8 21 4.38095 9 21 2.85714 10 21 2.28571 11 21 2.00000 12 21 3.47619

Std Error 0.33686 0.33686 0.33686 0.33686 0.33686 0.33686 0.33686 0.33686 0.33686 0.33686 0.33686 0.33686

Lower 95% 1.5745 4.2412 3.4793 1.4317 5.5745 2.2412 0.8602 3.7174 2.1936 1.6221 1.3364 2.8126

Upper 95% 2.9017 5.5683 4.8064 2.7588 6.9017 3.5683 2.1874 5.0445 3.5207 2.9493 2.6636 4.1398

Std Error uses a pooled estimate of error variance Means and Std Deviations Level Number Mean 1 21 2.23810 2 21 4.90476 3 21 4.14286 4 21 2.09524 5 21 6.23810 6 21 2.90476 7 21 1.52381 8 21 4.38095 9 21 2.85714 10 21 2.28571 11 21 2.00000 12 21 3.47619 Std Dev 1.26114 1.75798 1.27615 1.13599 1.04426 1.48003 0.74960 2.10894 1.93095 1.52128 1.54919 2.06444 Std Err Mean 0.27520 0.38362 0.27848 0.24789 0.22788 0.32297 0.16358 0.46021 0.42137 0.33197 0.33806 0.45050 Lower 95% 1.6640 4.1045 3.5620 1.5781 5.7628 2.2311 1.1826 3.4210 1.9782 1.5932 1.2948 2.5365 Upper 95% 2.8122 5.7050 4.7238 2.6123 6.7134 3.5785 1.8650 5.3409 3.7361 2.9782 2.7052 4.4159

Temuan dari diagram Data interval evaluasi suka-tidak suka didapat dengan menggunakan semantic differential method, berskala 1 (sangat tidak suka) sampai dengan 7 (sangat suka). Garis tengah setiap mean diamond merupakan rata-rata evaluasi setiap objek. Titik-titik pada bidang diagram merupakan skor evaluasi dari setiap objek yang saling tumpang tindih. Dari diagram dapat diketahui perbedaan tingkat preferensi mahasiswa S2 alur riset terhadap 12 rumah tinggal yang dievaluasi. Dapat disimpulkan bahwa objek yang paling disukai adalah objek 5, yang kedua adalah objek 2, selanjutnya objek 8 dan 3, sedangkan yang paling tidak disukai adalah objek 7.

7

Mean Diamond
Rata-rata dari nilai Std. Deviasi

Ujung atas dan bawah merupakan batas interval 95%

Pada sebelah kanan terdapat diagram yang menunjukkan each pair student’s t atau mean comparison, yaitu untuk mengetahui signifikansi suatu nilai rata-rata yang ada dalam Anova yang ditunjukkan oleh lingkaran. Titik pusat lingkaran segaris-lurus dengan garis tengah mean diamond. Diameter lingkaran mewakili interval 95%, segaris dengan titik teratas dan terbawah mean diamond. Ukuran lingkaran tersebut menunjukkan masing-masing objek (pada sumbu x) dan besar kecilnya tergantung jumlah datanya. Lingkaran semakin besar apabila datanya semakin kecil dan signifikansinya dilihat dari overlap atau tidaknya lingkaran tersebut. Pada diagram Anova tersebut mean diamond memiliki ukuran yang berbeda antara Studio AR2100, AR3100, dan AR4000. Hal ini disebabkan adanya perbedaan jumlah data antara ketiganya. Data Studio AR2100 jauh lebih banyak bila dibandingkan dengan AR3100 dan AR4000, serta data AR3100 juga lebih banyak dari AR4000, yaitu sebagai berikut: AR2100 : 189 data AR3100 : 84 data AR4000 : 47 data

Jumlah data Studio AR2100 sangat banyak bila dibandingkan dengan kedua data lainnya, sehingga pada diagram mean diamond sangat lebar dan standard deviasinya menjadi lebih kecil bila dibandingkan dengan mean diamond data yang lain. Hal ini berarti dengan data yang banyak maka standard deviasi akan semakin kecil.
5

KM Programming

4 3 2 1 AR2100 Studio AR3100 AR4000 Each Pair Student's t 0.05

Diagram 2. Perbedaan tingkat KM (kemampuan mahasiswa) Programming antar studio. Sumbu x, studio perancangan. Sumbu y data interval evaluasi kemampuan mahasiswa dalam programming

8

Dari diagram 2 dapat diketahui bahwa kemampuan mahasiswa programming, semakin lanjut studionya, maka semakin rendah kemampuannya. Hal ini dapat disimpulkan bahwa pada studio awal (AR2100) programming lebih diprioritaskan, namun pada studio selanjutnya tidak begitu diperhatikan, sehingga kemampuan mahasiswa menurun. Namun, berdasarkan mean comparison, dari ketiga data tersebut tidak terlalu signifikan, karena masing-masing saling overlap, terutama antara studio AR2100 dan AR3100.
5 4.5

KM Desain

4 3.5 3 2.5 2 AR2100 Studio AR3100 AR4000 Each Pair Student's t 0.05

Diagram 3. Perbedaan tingkat KM (kemampuan mahasiswa) Desain antar studio. Sumbu x, studio perancangan. Sumbu y data interval evaluasi kemampuan mahasiswa dalam desain. Dari diagram 3, kemampuan desain mahasiswa dari studio AR2100, AR3100, maupun AR4000 perbedaannya tidak terlalu signifikan. Pada studio AR3100 terjadi penurunan, tetapi AR4000 kemampuan desainnya meningkat kurang lebih sama dengan AR2100. Dilihat dari mean comparison, ketiganya overlap.
5 4

KM Strukkon

3 2 1 AR2100 Studio AR3100 AR4000 Each Pair Student's t 0.05

Diagram 4. Perbedaan tingkat KM (kemampuan mahasiswa) Strukkon antar studio. Sumbu x, studio perancangan. Sumbu y data interval evaluasi kemampuan mahasiswa dalam strukkon.

9

Dari diagram 4, dapat diketahui bahwa semakin lanjut studionya, maka kemampuan struktur konstruksi mahasiswa semakin rendah. Kemampuan stuktur dan konstruksi mahasiswa AR2100 paling tinggi dan AR4000 paling rendah. Hal ini disebabkan karena pengetahuan struktur konstruksi lebih banyak diajarkan pada studio awal yaitu AR2100 dan pada studio lanjut kurang diprioritaskan. Dari mean comparison terlihat bahwa perbedaan ini cukup signifikan karena data-data pada diagram tidak saling overlap.
5 4

KM Rantap

3 2 1 AR2100 Studio AR3100 AR4000 Each Pair Student's t 0.05

Diagram 5. Perbedaan tingkat KM (kemampuan mahasiswa) Perancangan Tapak antar Studio. Sumbu x, studio perancangan. Sumbu y data interval evaluasi kemampuan mahasiswa dalam rantap. Kemampuan perancangan tapak mahasiswa dari diagram dapat dilihat bahwa pada studio AR3100 kemampuannya lebih tinggi dibandingkan dengan dua studio lainnya. Namun, perbedaan AR3100 dengan AR4000 tidak terlalu signifikan, dapat dilihat dari mean comparison yang overlap. Hal ini disebabkan karena pada studio AR2100, desain hanya terbatas pada bangunan saja, perancangan tapak belum diikutsertakan, sedangkan pada kedua studio lanjut, perancangan difokuskan pada bangunan dan tapaknya juga.

ANALISIS KORELASI
Fungsi Untuk mengetahui kedekatan hubungan antara variabel-variabel yang ditunjukkan dengan koefisien korelasi (r) yang umumnya dipahami sbb: 0<r<0.2 0.2<r<0.4 0.4<r<0.6 0.6<r<0.8 0.8<r<1 korelasi sangat rendah korelasi rendah korelasi sedang korelasi tinggi korelasi sangat tinggi

10

Menurut buku Pengolahan Data Statistik dengan SPSS 16.0, Analisis korelasi digunakan untuk mengetahui tentang derajat hubungan antara variabel, sehingga analisis korelasi berhubungan berkaitan dengan derajat hubungan (seberapa kuat hubungan antara variabel-variabel itu terjadi). Ukuran yang dipakai untuk mengetahui derajat hubungan, terutama untuk data kuantitatif disebut koefesien korelasi. Menurut Santoso (2009), ada dua hal dalam penafsiran korelasi yang berkaitan dengan arti angka korelasi: Berkenaan dengan besaran angka, dengan rentang nilai korelasi: 0 Tidak ada Korelasi 1 Korelasi Sempurna

-1 Korelasi Sempurna

Sebenarnya tidak ada ketentuan yang tepat mengenai apakah angka korelasi tertentu menunjukkan tingkat korelasi yang tinggi atau lemah. Namun bisa dijadikan pedoman sederhana bahwa angka korelasi di atas 0.5 menunjukkan korelasi yang cukup kuat, sedangkan di bawah 0.5 korelasi lemah. Selain besar korelasi, tanda korelasi juga berpengaruh pada penafsiran hasil. Tanda – (negatif) pada output menunjukkan arah hubungan yang berlawanan, sedangkan tanda + (positif) menunjukkan arah hubungan yang sama. Dari gambar di atas, terlihat ada korelasi yang negatif sempurna (-1) dan korelasi positif sempurna (+1)

Ciri-khas, sumbu x, sumbu y Terdapat dua sumbu, yaitu sumbu x dan sumbu y, dimana dua-duanya merupakan data continous (interval atau rasio). Analisis korelasi dapat dibagi menjadi: 1. Bivariate yaitu analisis yang terdiri atas dua variabel saja. 2. Multivariate yaitu analisis yang terdiri atas banyak variabel, hasil dari analisis multivariat berupa matriks korelasional. ANALISIS KORELASI BIVARIAT Analisis korelasi bivariat digunakan untuk mengetahui kedekatan hubungan dua variabel continous (interval atau rasio).

11

Contoh diagram korelasi (bivariat)

5

4

KD Desain

3

2

1

1

2

3 SD Waktu

4

5

Diagram 6. Korelasi antara SD (Sikap Dosen) Waktu dan KD (Kontribusi Dosen) Desain. Sumbu x. data continous atau interval berskala 1 sedikit s/d 5 banyak. Sumbu y, data continous atau interval berskala 1 sedikit s/d 5 banyak.
Correlation Variable SD Waktu KD Desain

Mean 3.665625 3.75625

Std Dev 1.170727 0.987361

Correlation 0.26826

Signif. Prob <.0001

Number 320

Nilai korelasi

Significance Probability atau Significance Value

12

Temuan dari Diagram 6 Titik pada diagram merupakan skor evaluasi yang saling tumpang tindih skor pada satu titik semakin banyak. Ellips pada diagram melingkupi 50% dan 90% penyebaran data. Koefesien korelasi 0.27 rendah berarti sikap dosen yang meluangkan waktunya banyak belum tentu memiliki kontribusi pada desain. Hubungan antara SD Waktu terhadap KD Desain rendah, sedangkan significance value kurang dari 0.01% lebih kecil dari 0.05 sehingga hasilnya signifikan.

7

6

5

bagus

4

3

2

1

1

2

3

4 suka

5

6

7

.1 .2 .3 .4 .5 .6 .7 .8 .9

Quantile Density Contours

Biv ariate Normal Ellipse P=0.900

Diagram 7. Korelasi antara preferensi dan bagus. Sumbu x. data continous atau interval berskala 1 tidak suka s/d 7 suka. Sumbu y, data continous atau interval berskala 1 bagus s/d 5 jelek.
Correlation Variable suka bagus Mean 3.371032 3.65873 Std Dev 2.065343 1.874439 Correlation 0.825668 Signif. Prob <.0001 Number 504

13

Diagram 7 tersebut memiliki koefesien korelasi 0.83 (sangat tinggi), berarti jika bangunan semakin bagus maka cenderung semakin disukai. Secara visual, besar-kecil koefesien korelasi dapat diketahui dari penyebaran data pada scatter-plot yang disusun dari sumbu x dan y dua variabel yang dikorelasikan. Jika density ellips yang melingkupi penyebaran data semakin ramping dan diagonal maka koefesien korelasi akan semakin besar (Gambar), sebaliknya jika density ellips semakin gemuk/bulat maka koefesien korelasi akan semakin kecil (Gambar).

Significance Value
Menurut Santoso (2009), setelah angka korelasi didapat, maka bagian kedua dari output analisis adalah menguji apakah angka korelasi yang didapat benar-benar signifikan atau dapat digunakan untuk menjelaskan hubungan antara dua variabel. Oleh karena itu, pada analisis JMP terdapat suatu nilai Signif. Prob yaitu Significance Probability sama dengan Significance Value. Nilai significance value dari suatu nilai korelasi berdasarkan kesepakatan umum harus memiliki nilai lebih kecil dari 0.05. Hal ini agar nilai korelasi tersebut kemungkinan prediksinya meleset di bawah 5%. Menurut buku Pengolahan Data Statistik dengan SPSS 16.0, signifikansi data ditandai dengan Flag Significant Correlations, yaitu menunjukkan koefesien korelasi pada level signifikan 0.05 atau 5%. Jika teridentifikasi akan diberi simbol asterisk tunggal (*), sedangkan jika pada level signifikan 0.01 atau 1% teridentifikasi maka akan diberi simbol dua asterisk (**). ANALISIS KORELASI BIVARIAT Korelasi multivariat melibatkan lebih dari dua variabel Jika sejumlah variabel dikorelasikan satu sama lain, maka akan diperoleh sejumlah koefisien korelasi, yang disusun dalam matriks koefisien korelasi yang berisikan nilai korelasional antar variabel seperti contoh di atas hasil dari evaluasi 23 rumah tinggal yang terdiri atas delapan. Matriks tersebut dapat dimanfaatkan untuk dengan cepat membandingkan besaran koefisien korelasi antar variabel dan mengidentifikasi variabel-variabel yang memiliki korelasi sangat tinggi, tinggi, sedang, rendah dan sangat rendah. Gambaran tinggi-rendah koefisien korelasi antar variabel tersebut juga merupakan gambaran hubungan antar faktor yang menyusun fenomena yang diambil datanya. Meskipun belum definitif, gambaran hubungan antar faktor tersebut dapat digunakan untuk mereka-reka pola temuan analisis yang akan diperoleh jika data dianalisis lebih lanjut dengan analisis multivariat yang lain.

14

Contoh matriks korelasi (multivariat) Tabel 2. Matriks koefesien korelasi 8 variabel evaluasi rumah tinggal.
asli alami asli alami sederhana modern proporsional suka terbuka unik warna bagus 1.00 0.11 -0.41 0.28 0.42 0.32 0.19 0.37 sederhana 0.11 1.00 -0.19 0.25 0.13 0.11 -0.25 0.08 modern -0.41 -0.19 1.00 -0.16 -0.08 0.01 0.10 -0.04 proporsional 0.28 0.25 -0.16 1.00 0.51 0.19 0.17 0.33 suka 0.42 0.13 -0.08 0.51 1.00 0.28 0.36 0.55 terbuka 0.32 0.11 0.01 0.19 0.28 1.00 0.22 0.27 unik 0.19 -0.25 0.10 0.17 0.36 0.22 1.00 0.34

warna bagus 0.37 0.08 -0.04 0.33 0.55 0.27 0.34 1.00

Hasil dari Tabel 3 (Matriks Koef. Korelasi) Dari tabel dapat kita lihat hubungan antara kedelapan variabel tersebut masing-masing. Berdasarkan variabel suka (preferensi) dengan variabel lainnya dapat disimpulkan bahwa yang memiliki koefesien korelasi paling tinggi adalah warna bagus, kemudian selanjutnya proporsional, asri alami, unik, terbuka dan sederhana. Koefesien korelasi modern adalah negatif, seperti telah disebutkan di atas maka arah hubungannya yang berlawanan, yaitu tradisional. Apabila dilihat dari penjelasan mengenai nilai koefesien korelasi di atas maka nilai suka dengan variabel lainnya cenderung memiliki nilai sedang sampai ke rendah.

ANALISIS KORESPONDEN
“Correspondence analysis is a graphical technique to show which rows or columns of a frequency table have similar patterns of counts. In the correspondence analysis plot there is a point for each row and for each column.”
Fungsi Untuk mengetahui hubungan antara variabel ordinal dengan variabel ordinal lainnya. Apabila dalam analisis korelasi yang dicari adalah pengaruh antar variabel, maka dalam analisis koresponden yang dicari adalah koinsiden, tidak saling mempengaruhi, tetapi terjadi bersamaan atau concurrent. Analisis koresponden sering juga disebut multi dimension scaling (MDS). Hasil dari analisis koresponden berupa scatter-plot atau special map. Kedekatan variabel ditunjukkan oleh distance pada special map. Ciri-khas, sumbu x, sumbu y Sumbu x dapat berupa data nominal atau ordinal dan sumbu y berupa data nominal dan ordinal juga, namun pada umumnya yang sering digunakan adalah sumbu x berupa data ordinal dan sumbu y juga berupa data ordinal.

15

Analisis koresponden menampilkan koinsiden berdasarkan spesial map yang ditujukan dengan distance.
1.00
9 8

0.75

7

Response

0.50

6

5

0.25

4 3

0.00 A B Cheese C D

2

Gambar 1. Mosaic Plot, Analisis Kontigensi Respon terhadap Keju. Sumbu x keju dan sumbu y data ordinal level respon, 1 s/d 9 dimana 9 adalah yang paling enak, count adalah frekuensi dari variabel.
1.5 1 2 1.0 3 B

0.5

5

C

4

0.0 A -0.5 7

c1

6

-1.0

8D 9

-1.5 -1.5

-1.0

-0.5

0.0 c2

0.5

1.0

1.5

Gambar 2. Analisis koresponden level respon terhadap keju
16

Cheese Response

Details Singular Value 0.73609 0.42010 0.25070 Cheese A B C D Response 1 2 3 4 5 6 7 8 9

Inertia 0.54183 0.17649 0.06285 c1 -0.3763 0.9553 0.3981 -0.9771 c1 1.190 1.222 0.964 0.507 0.328 -0.065 -0.623 -0.991 -1.259

Portion 0.6936 0.2259 0.0805 c2 -0.2528 0.4728 -0.5540 0.3340 c2 0.7764 0.8811 0.2628 -0.0588 -0.6068 -0.0617 -0.1480 0.2634 0.6786

Cumulative 0.6936 0.9195 1.0000 c3 -0.3865 -0.0554 0.2467 0.1952 c3 -0.0490 -0.1006 0.0900 -0.1693 0.2705 -0.0472 -0.3510 0.0443 0.5852

Kemampuan menjelaskan data 92%, mengetahui valid atau tidaknya data Persentase dalam menjelaskan data

Dari mosaic plot di atas kita dapat mengetahui bahwa keju yang memiliki row profiles mirip secara berurutan adalah keju D, A, C, B, dengan demikian titik di dalam analisis koresponden akan berdekatan letaknya, seperti terlihat pada diagram 9. Dengan demikian, dari analisis koresponden dapat diketahui bahwa keju yang memiliki rasa paling enak adalah keju D karena memiliki koinsiden paling banyak dengan level respon 8, kemudian yang kedua adalah A yang berdekatan jaraknya pada special map dengan 7, setelah itu C dengan 5 dan B dengan 3. Contoh diagram analisis koresponden (variable ordinal – ordinal) Pada umumnya analisis koresponden memiliki berupa data ordinal dan data ordinal juga. Untuk itu dapat dilihat pada diagram 10, analisis korespondensi luas rumah per penghuni dan pendidikan. Dari diagram dapat diketahui kedekatan antar variabel tersebut yang memiliki koinsiden paling banyak. Hasil temuan dari diagram atau special map adalah sbb: Penghuni yang tidak sekolah dan pendidikan terakhirnya SD, SLTP memiliki luas rumah per penghuni, luas < 9 m2. Penghuni yang pendidikan terakhirnya SLTA, D2 memiliki luas rumah per penghuni, 9 m2 < luas <18 m2

17

-

Penghuni yang pendidikan terakhirnya D3 memiliki luas rumah per penghuni 18 m2 < luas <27 m2 Penghuni yang pendidikan terakhirnya S1 dan S2 memiliki luas rumah per penghuni luas >36 m2

Dengan demikian dapat disimpulkan, semakin tinggi pendidikan terakhirnya maka semakin luas pula rumahnya.
2.0

1.5

S2 E. 36m2 ≤ luas

1.0

D3

S1

0.5 D2
c1

C. 18m2 ≤ luas < 27m2 B. 9m2 ≤ luas < 18m2 SLTA SD SLTP A. luas < 9m2

0.0

-0.5

-1.0

Tidak Sekolah

-1.5

-2.0 -2.0

-1.5

-1.0

-0.5

0.0 c2

0.5

1.0

1.5

2.0

Gambar 3. Analisis korespondensi luas rumah per penghuni dan pendidikan
Pendidikan Luas Rumah _per Penghuni

18

Tabel 3. Kontigensi Penghasilan dan Luas Rumah _per Penghuni
Count Total % Col % Row % A. PBK ≤ 400rb 6 6.25 17.65 54.55 B. 400rb < PBK ≤ 800rb 16 16.67 47.06 47.06 C. 800rb < PBK ≤ 1200rb 8 8.33 23.53 32.00 D. 1200rb < PBK ≤ 1600rb 4 4.17 11.76 26.67 E. 1600rb < PBK 0 0.00 0.00 0.00 34 35.42 3 3.13 9.68 27.27 7 7.29 22.58 20.59 10 10.42 32.26 40.00 6 6.25 19.35 40.00 5 5.21 16.13 45.45 31 32.29 2 2.08 9.52 18.18 8 8.33 38.10 23.53 4 4.17 19.05 16.00 3 3.13 14.29 20.00 4 4.17 19.05 36.36 21 21.88 0 0.00 0.00 0.00 3 3.13 30.00 8.82 3 3.13 30.00 12.00 2 2.08 20.00 13.33 2 2.08 20.00 18.18 10 10.42 96 11 11.46 15 15.63 25 26.04 34 35.42 11 11.46 A. luas B. 9m2 C. E. < 9m2 ≤ luas 18m2 ≤ 36m2 ≤ < 18m2 luas < luas 27m2

19

1.0

E. 1600rb < PBK

0.5 E. 36m2 ≤ luas B. 9m2 ≤ luas < 18m2 D. 1200rb < PBK ≤ 1600rb C. 18m2 ≤ luas < 27m2 C. 800rb < PBK ≤ 1200rb

c1

0.0

B. 400rb < PBK ≤ 800rb

A. PBK ≤ 400rb A. luas < 9m2 -0.5

-1.0 -1.0

-0.5

0.0 c2

0.5

1.0

Gambar 4. Analisis koresponden luas rumah per penghuni dan penghasilan
Penghasilan Luas Rumah _per Penghuni

Gambar 4 yang berupa special map adalah analisis koresponden luas rumah per penghuni dan penghasilan penghuni. Dari diagram dapat diketahui bahwa semakin tinggi penghasilan penghuni, maka luas rumah per penghuni pun lebih luas.

ANALISIS KOMPONEN UTAMA
Fungsi Untuk mencari faktor yang paling dominan, dengan cara pengelompokkan beberapa variabel yang terukur menjadi latent variable berdasarkan kemiripan variabel, dilihat dari matriks koefesien korelasinya. Analisis komponen utama adalah teknik mereduksi data dengan mengubah (transform) kelompok variabel awal (original) menjadi kelompok faktor atau komponen utama yang lebih kecil (lebih sedikit) yang mencakup bagian terbesar dari seluruh variansi kelompok awal. Jumlah komponen utama sesedikit mungkin. Seluruh komponen utama mencakup sebanyak mungkin dari seluruh
20

variasi awal (original total variation). Komponen utama merupakan kombinasi linier dari variabelvariabel awal. Berbagai kombinasi linier (komponen utama) yang dihasilkan (extracted) tidak saling berkorelasi. Analisis komponen utama secara prinsip hampir sama dengan content analysis yaitu mengelompokkan variabel, beberapa variabel yang memiliki kemiripan dikelompokkan sehingga menjadi latent variable, seperti dapat dilihat di bawah ini. Fenomena yang kecil-kecil Faktor dominan yang ada di fenomenafenomenanya

Measured Variable Measured Variable Measured Variable Measured Variable Measured Variable Latent Variable

Cara untuk menentukan komponen utama antara lain dengan: Kaiser (1958) menyarankan kriteria komponen utama dengan eigenvalue > 1. Alasan kriteria ini adalah komponen utama harus lebih variance daripada variabel awal. Cattel (1966) menyarankan uji scree (puncak) yaitu dengan memplot kurva grafik eigenvalue secara successive (urut besar) sehingga terbentu kurva tebing terjal (terbentuk dari eigenvalue terpilih) dan patah mendekati garis lurus (terbentuk dari komponen-komponen dengan eigenvalue rendah). Horn (1965) menyarankan penggunaan kurva referensi p/2 memotong kurva eigenvalue sebagai batas komponen terpilih. Dillon (1984) menyarankan dengan membatasi nilai variansi kumulatif, misalnya dibatasi sampai jumlah variansi mencapai 75% dari variansi keseluruhan.

-

Eigenvalue adalah kemampuan dari variabel untuk menjelaskan data. Cara mencari eigenvalue adalah dengan memutar sumbu dan data tetap tidak diubah posisinya, sehingga nilainya akan berubah. Misalnya ada 25 variabel maka ada 25 dimensi yang akan memposisikan titik-titik tersebut , sehingga akan didapat dimensi yang paling powerful untuk menjelaskan data.
Untuk mempermudah interpretasi, bisa dilakukan rotasi faktor. Faktor atau komponen utama bisa dirotasi (diputar), sehingga loading berubah, demikian pula interpretasi berubah. Hal ini dimaksudkan untuk mencari faktor utama yang paling berpengaruh. Cara rotasi antara lain varimax, quartimax, oblimin, dan sebagainya. Varimax dan quartimax termasuk jenis rotasi ortogonal yang mempertahankan sifat ortogonal. Rotasi varimax mencari kumpulan loading, sehingga sebagian mendekati 0 (nol) dan lainnya mendekati +1 atau -1. Loading mendekati +1 atau -1 menunjukkan hubungan yang kuat antara variabel dengan faktor. Sebaliknya loading mendekati 0 menunjukkan hubungan yang lemah. Dengan demikian rotasi varimax mempermudah interpretasi faktor atau komponen utama (Dillon, 1984). Rotasi ini sering digunakan untuk komponen utama dan menghasilkan loading yang lebih besar.

21

Berikut adalah analisis komponen utama evaluasi terhadap 5 rumah tinggal:
Multivariate Principal Components / Factor Analysis Principal Components: on Correlations Number Eigenvalue Percent Percent 1 2.8889 36.111 2 1.5338 19.173 3 0.9924 12.405 4 0.7716 9.645 5 0.5983 7.478 6 0.5661 7.076 7 0.4723 5.904 8 0.1766 2.208 Factor Rotation: Varimax Prior Communality Estimates:1 Unrotated Factor Patternasri alami sederhana modern proporsional suka terbuka unik warna bagus Rotated Factor Pattern asri alami sederhana modern proporsional suka terbuka unik warna bagus Rotation Matrix0.95969 0.05313 -0.27235 0.04466 Final Communality Estimatesasri alami sederhana 0.669047 -0.162108 0.043247 -0.490793

Cum Percent 36.111 55.284 67.689 77.334 84.812 91.888 97.792 100.000

0.545628 0.042847 0.729897 0.862738 0.296953 0.221952 0.852773

-0.450355 0.770708 -0.169787 0.158508 0.253903 0.766089 0.073766

0.252213 0.156507 0.077680 -0.249104 0.853345 -0.188512 -0.265727

0.413203 0.469894 0.153865 0.077492 -0.220409 -0.245210 0.027546

0.599765 0.449470 0.060431 0.677170 0.907688 0.056216 0.294099 0.895919 -0.11034 0.70876 -0.34940 -0.60283 0.71665

0.092038 -0.716614 0.203564 -0.320772 0.057470 -0.018103 0.732166 0.034426 -0.03574 0.67429 0.12482 0.72696

-0.484610 0.008694 0.879281 -0.019023 0.101285 0.106878 0.306845 0.006117 0.25601 0.20044 0.88778 -0.32576

0.337069 0.138722 0.151318 0.171670 0.006249 0.956303 0.122900 -0.011775

0.73488
22

modern proporsional suka terbuka unik warna bagus Std Score Coefsasri alami sederhana modern proporsional suka terbuka unik warna bagus Variance 2.7402 1.2072 1.1243 1.1150

0.84112 0.59129 0.83750 0.92943 0.73182 0.80403 0.176361 0.120360 0.025181 0.224179 0.364941 -0.139507 0.137809 0.360366 Percent 34.252 15.090 14.054 13.938 0.267778 -0.640580 -0.067747 -0.253899 0.067448 -0.022253 0.603472 0.073548 Cum Percent 34.252 49.342 63.396 77.334 -0.536525 0.216311 0.800697 0.071071 0.100689 0.007606 0.079287 0.014409 0.284014 0.040665 0.046122 0.047022 -0.158392 0.915936 0.054673 -0.164131

Tabel 4. Hasil faktor analisis evaluasi rumah tinggal Unik Preferensi Kompleksitas Modern asri alami 0.60 0.09 -0.48 sederhana 0.45 -0.72 0.01 modern 0.06 0.20 0.88 proporsional 0.68 -0.32 -0.02 suka 0.91 0.06 0.10 terbuka 0.06 -0.02 0.11 unik 0.29 0.73 0.31
warna bagus 0.90 0.03 0.01

Keterbukaan 0.34 0.14 0.15 0.17 0.01 0.96 0.12 -0.01

Dari faktor analisis maka didapatkan empat latent variabel: Preferensi, Unik kompleksitas, Modern, dan keterbukaan. Pada diagram 11 dan 12 dapat dilihat scatter-plot evaluasi rumah berdasarkan objek dan kategori objek, serta dua variabel paling dominan hasil dari analisis komponen utama yaitu preferensi dan unik kompleksitas.

23

0.2

alami kontras alami hangat

0.1

alami dingin

Unik Kompleksitas

0

-0.1 non alami kontras

non alami hangat

-0.2 non alami dingin -0.5 -0.4 -0.3 -0.2 -0.1 0 Preferensi 0.1 0.2 0.3 0.4 0.5

Gambar 5. Scatter-plot kategori objek evaluasi rumah berdasarkan variabel paling dominan hasil analisis komponen utama yaitu preferensi dan unik kompleksitas. Pada gambar 5, sumbu x, angka semakin besar atau semakin ke kanan maka preferensi terhadap rumah semakin besar. Sumbu y, angka semakin besar atau semakin ke atas maka unik kompleksitas rumah semakin rumit. Dengan demikian, berdasarkan kategori objek, yang memiliki preferensi tinggi secara berurutan adalah alami hangat, alami dingin, dan alami kontras, sedangkan yang memiliki preferensi rendah secara berurutan adalah non alami kontras, non alami hangat, dan non alami dingin. Apabila dilihat dari unik kompleksitas, kategori objek yang memiliki unik kompleksitas cenderung memiliki preferensi tinggi, sedangkan yang tidak memiliki unik kompleksitas atau sederhana biasa memiliki preferensi rendah.

24

1.5 9

14 1 19 29 24 4

Unik Kompleksitas

0.5 5 15 13 20 10

30 0 25

3

8

11 28 6 23 1 2 17 16

12 -0.5 27 22

18 7 26 21

-1 -1 -0.5 0 Preferensi 0.5 1

Diagram 6. Scatter-plot evaluasi rumah berdasarkan objek dan variabel paling dominan hasil analisis komponen utama yaitu preferensi dan unik kompleksitas. Seperti halnya pada gambar 5, pada gambar 6 ini, sumbu x, angka semakin besar atau semakin ke kanan maka preferensi terhadap rumah semakin besar. Sumbu y, angka semakin besar atau semakin ke atas maka unik kompleksitas rumah semakin rumit. Dengan demikian, berdasarkan objeknya yang memiliki preferensi tinggi secara berurutan adalah objek dengan no. 10, 1, 8, 11, 3, sedangkan yang memiliki preferensi rendah secara berurutan adalah objek dengan no. 27, 12, 29, 19, 24 dan 22. Apabila dilihat dari unik kompleksitasnya objek yang cukup rumit bentuknya adalah objek no. 9 dan 14, sedangkan yang cukup sederhana bentuknya adalah objek no. 17, 16. Dari diagram ini dapat diketahui bahwa tinggi rendah preferensi tidak berhubungan dengan unik kompleksitas, namun objek yang sangat rumit (seperti objek no 9, 14, 4, 24, dsb) cenderung memiliki preferensi rendah. Objek yang memiliki preferensi tinggi cenderung tidak terlalu sederhana dan tidak terlalu kompleks (letak pada scatter-plot di tengah).
25

ANALISIS KLASTER
Fungsi Untuk mengelompokkan kategori berdasarkan kemiripan skor dari setiap kategori. Dari gambar di bawah mahasiswa S2 Arsitektur ITB angkatan 2010 dikelompokkan evaluasinya terhadap 23 rumah tinggal berdasarkan variabel preferensi dan proporsional. Posisi mahasiswa yang mengevaluasi rumah hampir sama akan berdekatan.

ANS MMPL ARS RK RTS YP IS MK LR AW SHF GAP DHD PD JAR L FFAR WY IW WI HK

Gambar 7. Dendogram klaster mahasiswa S2 Arsitektur ITB angkatan 2010 berdasarkan evaluasi terhadap rumah tinggal dilihat dari variabel preferensi dan proporsional. Huruf capital merupakan kode inisial mahasiswa. Dari dendogram klaster di atas dapat diketahui bahwa cabang dendogram menunjukkan pengelompokkan mahasiswa yang mengevaluasi rumah tinggal cenderung mirip. Cabang semakin pendek dan dekat menunjukkan kemiripan evaluasi oleh mahasiswa yang bersangkutan semakin tinggi.

26

HK 1

0.5
Proporsional

ANS MMPL

0

FFAR WY

WI IW

ARS

YP

LR RTS MK IS RK

DHD PD AW SHF GAP

-0.5

JAR

L

-1

-0.5 Preferensi

0

0.5

Gambar 8. Scatter-plot klaster mahasiswa S2 Arsitektur ITB angkatan 2010 berdasarkan evaluasi terhadap rumah tinggal dilihat dari variabel preferensi dan proporsional. Dari scatter-plot dapat dilihat bahwa sumbu x, angka semakin besar atau semakin ke kanan maka evaluasi mahasiswa terhadap rumah tinggal berdasarkan preferensi semakin tinggi. Sumbu y, angka semakin besar atau semakin ke atas maka evaluasi mahasiswa terhadap rumah tinggal berdasarkan variabel proporsional semakin tinggi. Mahasiswa yang dikelompokkan berarti memiliki kemiripan dalam mengevaluasi rumah tinggal.

ANALISIS REGRESI
Tujuan Untuk melihat hubungan kausal (sebab-akibat) Variabel Sebab Variabel Bebas Variabel Independen Variabel Mempengaruhi Variabel Criterion Variabel Variabel Variabel Variabel Variabel Akibat Terikat Dependen Dipengaruhi

Predictor

27

Yang menentukan mana variabel sebab atau akibat adalah peneliti sendiri sebagai bagian dari hipotesisi yang disusun oleh peneliti, bukan oleh formula statistik atau software analisis data, kemudian pada analisis akan ditentukan hubungannya BIVARIAT Digunakan untuk mengetahu pola hubungan sebab akibat atau kausal antara dua variabel continous, berupa kekuatan pengaruh (besar kecil), bentuk pengaruh (linear atau polinomial). Seperti telah disebutkan di atas, pada analisis regresi digunakan istilah variabel yang mempengaruhi (disebut juga variabel bebas, sebab MULTIVARIAT Analisis multivariat melibatkan lebih dari satu variabel sebab, dan digunakan untuk membandingkan kekuatan pengaruh antara beberapa variabel sebab terhadap variabel akibat. Dengan demikian akan diketahui variabel sebab yang dominan, kurang dominan atau tidak dominan mempengaruhi variabel akibat. Semakin besar koefesien regresi (umumnya disebut bobot regresi atau regression weight) semakin besar pengaruh terhadap variabel akibat. Cara menentukan variabel sebab salah satunya adalah yang menjadi sebab, yang pertama terjadi terlebih dahulu. Yang harus diperhatikan dalam analisis regresi adalah sebagai berikut: -

Rsquare (Coef of Determination) RSME (Root Mean Square Error)

0-1

Rsquare adalah seberapa besar kemampuan regresi tersebut mewakili data, proporsi varians yang dijelaskan oleh model semakin mendekati 1 semakin besar ‘porsi dari fenomena’ yang dijelaskan oleh model. RSME adalah diskrepansi antara predicted value dan actual value, semakin kecil semakin baik.
-

Significant Value <0.05 Regression Weight (Estimate) Fit line – Garis regresi, yaitu prediksi berdasarkan regresi secara linier, nilai-nilai pada garis tersebut disebut sebagai prediction value Fit Polynomial – Kurva regresi

Suatu regresi lebih tepat linier atau kurva (polinomial) ditentukan oleh nilai Rsquare Pada gambar 9 di bawah, regresi linier dan polinomial antara kelahiran dan kematian, satu titik mewakili satu negara. Rsquare 0.5 dapat diinterpretasikan kemungkinan 50% dari fenomena dapat dijelaskan dengan model regresi yang dibuat, kemungkinan 40% tidak dapat dijelaskan. Rsquare regresi polinomial lebih besar daripada regresi linier dan RSME regresi polinomial lebih kecil daripada regresi linier, karena itu hubungan antara kelahiran dan kematian lebih tepat menggunakan regresi polinomial atau kurva lengkung. Kelahiran tinggi maupun rendah, kematian akan selalu tinggi. Kematian paling rendah jika kelahiran sedang. Dari diagram tersebut dapat disimpulkan sebagai berikut: Untuk negara-negara maju, tingkat kelahiran rendah dan tingkat kematian rendah Untuk negara-negara berkembang, tingkat kelahiran tinggi dan tingkat kematian tinggi Untuk negara-negara yang terkena perang, tingkat kelahiran rendah dan tingkat kematian tinggi

28

CONTOH REGRESI BIVARIAT

30

AFGHANISTAN UPPER VOLTA

25 ANGOLA COAST ETHIOPIA IVORY CAMEROON MADAGASCAR NIGERIA 20 NEPAL SAUDI ARABIA BANGLADESH MOZAMBIQUE ZAIRE SUDAN UGANDA VIETNAM TANZANIA INDONESIA 15 GERMANY, DEM REP AUSTRIA BELGIUM GERMANY, FED REP OF HUNGARY UNITED KINGDOM FRANCE SWEDEN 10 CZECHOSLOVAKIA SRI_LANKA MEXICO KOREA, REPUBLIC OF VENEZUELA MALAYSIA TAIWAN CHINA BRAZIL COLOMBIA PHILIPPINES THAILAND ITALY BULGARIA ARGENTINA PORTUGAL ROMANIA GREECE POLAND SWITZERLAND STATES UNITED USSR AUSTRALIA NETHERLANDS SPAIN YUGOSLAVIA CANADA JAPAN 5 CHILE CUBA BURMA INDIA GUATEMALA GHANA KENYA IRAQ PAKISTAN RHODESIA SYRIA EGYPT PERU IRAN SOUTH AFRICA KOREA, DEM PEO REP TURKEY ECUADOR ALGERIA MOROCCO

death

10

20

30 birth

40

50

Linear Fit Polynomial Fit Degree=2

Gambar 9. Regresi linier dan polinomial antara kelahiran dan kematian.

29

Linear Fit death = 4.5709585 + 0.2626354*birth Summary of Fit RSquare RSquare Adj Root Mean Square Error Mean of Response Observations (or Sum Wgts) Parameter Estimates Term Intercept birth Polynomial Fit, degree=2 death = -0.904668 + 0.3181063*birth + 0.0194976*(birth-32.3514)^2 Summary of Fit RSquare RSquare Adj Root Mean Square Error Mean of Response Observations (or Sum Wgts) Parameter Estimates Term Intercept birth (birth-32.3514)^2 Estimate -0.904668 0.3181063 0.0194976 Std Error 1.224752 0.027258 0.002907 t Ratio -0.74 11.67 6.71 Prob>|t| 0.4626 <.0001 <.0001 0.674653 0.665488 3.069911 13.06757 74 Estimate 4.5709585 0.2626354 Std Error 1.158603 0.032963 t Ratio 3.95 7.97 Prob>|t| 0.0002 <.0001 0.468562 0.461181 3.896204 13.06757 74

Koef. Regresi/Bobot Regresi

Significant Value

30

CONTOH REGRESI MULTIVARIAT

7

6

5

suka Actual

4

3

2

1

1

2

3 4 suka Predicted P<.0001 RSq=0.71 RMSE=0.8674

5

6

7

Gambar 10. Scatter-plot predicted value dan actual value variabel akibat, dengan variabel akibat preferensi (tdk suka-suka) dan variabel sebab asri alami (tdk asri alami-asri alami), sederhana (sederhana-kompleks), modern (tradisional-modern), proporsional (tdk proporsional-proporsional), terbuka, unik, dan warna bagus (jelek-bagus). Pada gambar 10, jika titik menyebar semakin mendekati garis diagonal, maka Rsquare akan semakin besar/semakin mendekati angka 1 dan RSME semakin kecil/semakin mendekati angka 0. Berdasarkan diagram regresi di atas yang memiliki koefesien regresi paling tinggi adalah warna bagus, sehingga warna bagus memiliki pengaruh yang paling besar terhadap suka (preferensi)

31

Fit Least Squares Summary of Fit RSquare RSquare Adj Root Mean Square Error Mean of Response Observations (or Sum Wgts) Analysis of Variance Source Model Error C. Total Lack Of Fit Source Lack Of Fit Pure Error Total Error DF 633 49 682 Sum of Squares 484.81992 28.25000 513.06992 Mean Square 0.765908 0.576531 F Ratio 1.3285 Prob > F 0.1076 Max RSq 0.9838 Parameter Estimates Term Intercept asri alami sederhana modern proporsional terbuka unik warna bagus Estimate -0.602476 0.0474428 0.04037 0.0665983 0.2018467 -0.015168 0.1066447 0.649158 Std Error 0.20583 0.02691 0.026019 0.021985 0.030977 0.030641 0.024085 0.024754 t Ratio -2.93 1.76 1.55 3.03 6.52 -0.50 4.43 26.22 Prob>|t| 0.0035 0.0783 0.1212 0.0025 <.0001 0.6207 <.0001 <.0001 DF 7 682 689 Sum of Squares 1230.8852 513.0699 1743.9551 Mean Square 175.841 0.752 F Ratio 233.7369 Prob > F <.0001 0.705801 0.702781 0.867353 3.581159 690

Koef./Bobot Regresi

Significant Value
32

Parameter estimates adalah bobot regresi dan significant value regresi multivariat. Bobot regresi masing-masing variabel sebab tertulis di kolom estimate. Significant value untuk semua variabel sebab tidak semuanya kurang dari 0.00 (lihat kolom paling kanan Prob>|t|)

3

2

1

suka Residual

0

-1

-2

-3

-4 1 2 3 4 suka Predicted 5 6 7

Fit Stepwise Variabel-variabel yang tidak signifikan dikeluarkan, kemudian variabel-variabel yang dipakai adalah yang signifikan

33

Sign up to vote on this title
UsefulNot useful