9

BAB IV
HASIL PENELITIAN DAN PEMBAHASAN

4.1 Pendahuluan
Pada bab ini akan diuraikan hasil analisis data dengan menggunakan
prosedur yang telah dijelaskan pada bab sebelumnya. Data yang digunakan dalam
penelitian ini adalah data dari skripsi salah satu mahasiswa jurusan Statistika.
Prosedur analisis dilakukan dengan menggunakan bantuan software SPSS dan
Microsoft Excel 2007.

4.2 Hasil Penelitian
4.2.1 Distribusi Normal Multivariat
Metode statistika multivariat seperti MANOVA dan discriminant analysis
seringkali mensyaratkan terpenuhinya asumsi distribusi multinormal. Asumsi ini
diperlukan karena di dalam MANOVA dilakukan pengujian dengan menggunakan
statistik uji Wilk. Kesimpulan yang diambil berdasarkan statistik ini dikatakan
shahih (valid), jika syarat distribusi multinormal dipenuhi. Dalam masalah ini,
dilihat apakah data berdistribusi normal multivariat atau tidaknya dilihat secara
visual dalam QQ-plot dan melalui nilai multivariat skweness.
Diajukan hipotesis sebagai berikut:
H
0
: data berdistribusi normal
H
1
: data tidak berdistribusi normal
α=5%
a. Disajikan dengan menggunakan QQ-Plot
10

Dengan mencari nilai: ( ) n i S d
i i i
,..., 1 , ( )'
1 2
= ÷ ÷ =
÷
X X X X , diperoleh QQ-plot
sebagai berikut:



0
2
4
6
8
10
12
14
16
0 2 4 6 8 10 12 14
p
e
r
s
e
n
t
i
l

c
h
i

k
u
a
d
r
a
t

Jarak Umum
QQ Plot Jarak Umum dengan Persentil Chi Kuadrat
untuk Operator Elis
0
2
4
6
8
10
12
14
0 2 4 6 8 10 12 14
p
e
r
s
e
n
t
i
l

c
h
i

k
u
a
d
r
a
t

Jarak Umum
QQ Plot Jarak Umum dengan Persentil Chi Kuadrat
untuk Operator Endah
11


Secara visual, terlihat dari QQ-plot untuk ketiga operator tersebut
mendekati distribusi normal multivariat karena titik-titik pada plot tersebut
mengikuti garis lurus. Namun, untuk lebih meyakinkan dugaan kami apakah data
ini berdistribusi normal multivariat atau tidak, maka kami mengujinya melalui
nilai multivariate skewnewss (
p
b
, 1
).
b. Pengujian melalui nilai multivariate skewnewss (
p
b
, 1
).
Dengan menggunakan statistik uji dibawah ini,
) ( )' (
1
X X S X X ÷ ÷ =
÷
j i ij
g
¿¿
= =
=
n
i
n
j
ij p
g
n
b
1 1
3
2
, 1
1

| |
p
b
p n
n n p
z
, 1 1
6 ) 1 )( 1 ( 6
) 3 )( 1 )( 1 (
÷ + +
+ + +
=
Diperoleh nilai b
1,p
, z
1
untuk ketiga operator sebagai berikut:
Operator Elis Operator Endah Operator Rofi
b
1,p
= 12.891 b
1,p
= 10.198 b
1,p
= 6.0439
Z
1,p
= 60.429 Z
1,p
= 47.801 Z
1,p
= 28.381
Kemudian diperoleh
2
6 / ) 2 )( 1 ( + + p p p
_ =

Kriteria uji:
Tolak Ho jika Z
1,p
>

, terima dalam hal lainnya. dapat terlihat
bahwa tolak Ho untuk operator Elis, sedangkan terima Ho untuk operator Roffi
0
2
4
6
8
10
0 2 4 6 8 10 12 14
p
e
r
s
e
n
t
i
l

c
h
i

k
u
a
d
r
a
t

Jarak umum
QQ Plot Jarak Umum dengan Persentil Chi Kuadrat
untuk Operator Rofi
12

dan Endah. Menunjukkan bahwa hanya data pengamatan untuk operator Endah
dan Roffi yang berdistribusi normal multivariat.
Untuk penanganan data yang tidak berdistribusi normal multivariat, maka
dilakukan transformasi data. Dengan menggunakan SPSS 17.0, dicari variabel
mana saja yang harus ditransformasi, disajikan output sebagai berikut:
Tests of Normality

Kolmogorov-Smirnov
a
Shapiro-Wilk

Statistic Df Sig. Statistic df Sig.
Info_ext .079 72 .200
*
.974 72 .144
Event .129 72 .005 .912 72 .000
PerMaTA .187 72 .000 .679 72 .000
ACD .080 72 .200
*
.969 72 .075
Non_ACD .110 72 .031 .965 72 .045
a. Lilliefors Significance Correction
*. This is a lower bound of the true significance.

Terlihat bahwa nilai sig. untuk variabel Event, PerMaTA, dan Non-ACD
dibawah taraf signifikansi alpha=5%, menunjukkan bahwa ketiga variabel
tersebut tidak berdistribusi normal. Maka ketiga variabel tersebut diberikan
penanganan yaitu transformasi akar kuadrat. Data hasil transformasi disajikan
dalam Lampiran 2.






13

Kemudian disajikan QQ-Plot untuk data hasil transformasi sebagai
berikut:



0
2
4
6
8
10
12
14
0 2 4 6 8 10 12
P
e
r
s
e
n
t
i
l

c
h
i

k
u
a
d
r
a
t

Jarak umum
QQ-Plot antara jarak umum dengan persentil chi kuadrat
untuk operator Elis
0
5
10
15
0 2 4 6 8 10 12 14
P
e
r
s
e
n
t
i
l

C
h
i

K
u
a
d
r
a
t

Jarak umum
QQ-Plot antara jarak umum dengan persentil chi kuadrat
untuk operator Endah
0
5
10
15
0 2 4 6 8 10
P
e
r
s
e
n
t
i
l

c
h
i

k
u
a
d
r
a
t

Jarak umum
QQ-Plot antara jarak umum dengan persentil chi kuadrat
untuk operator Roffi
14

Secara visual dapat terlihat bahwa titik pada QQ-Plot pada ketiga operator
tersebar pada garis lurus, memungkinkan data berdistribusi normal multivariat.
Namun untuk lebih meyakinkan data tersebut berdistribusi normal multivariat,
dilakukan pengujian dengan melihat nilai multivariat skewness, disajikan sebagai
berikut:
Operator Elis Operator Endah Operator Rofi
b
1,p
= 4.6875 b
1,p
= 9.7738 b
1,p
= 5.9378
Z
1,p
= 41.9824 Z
1,p
= 45.8146 Z
1,p
= 27.8336
Kemudian diperoleh
2
6 / ) 2 )( 1 ( + + p p p
_ =

Kriteria uji:
Tolak Ho jika Z
1,p
>

, terima dalam hal lainnya. Dapat terlihat
bahwa terima Ho untuk operator Elis, Roffi dan Endah. Setelah dilakukan
transformasi untuk ketiga variabel (Event, PerMaTA, dan Non ACD)
menunjukkan bahwa ketiga operator berdistribusi normal multivariat.

4.2.2 Outlier
Data tidak berditribusi multinormal atau matriks varians-variansnya tidak
homogen bisa saja disebabkan oleh sedikit pengamatan yang mempunyai pola
berbeda dengan sebagian besar pengamatan. Pengamatan yang mempunyai
perilaku seperti ini disebut outlier. Statistik uji yang dapat dipakai untuk
mendeteksi adanya outlier adalah (Morrison, 2005)
( )
( )
2 2
2
1
1
i
i
i
npd n p
nd p n
F
÷
÷ ÷
=
Dengan menggunakan Microsoft Excel 2007, dicari nilai F
i
untuk setiap
pengamatan data yang belum dilakukan transformasi akar kuadrat disajikan
hasil sebagai berikut:
15

Observasi
ke-
F
i
untuk Operator Observasi
ke-
F
i
untuk Operator
Elis Endah Roffi Elis Endah Roffi
1 0.4267976 0.3781935 0.8826316 13 1.4534285 1.173708 1.0183168
2 0.7207364 0.763144 2.6782457 14 1.5197441 2.6534269 0.4980597
3 3.4904615 4.337848 1.4549799 15 0.6633718 0.4098495 1.3662686
4 1.435649 0.4364024 0.7453119 16 0.5370266 0.2197005 0.6731225
5 0.8338343 0.430002 0.7926928 17 0.3243185 0.772547 0.7440484
6 1.1472649 0.4714377 0.7123318 18 1.768247 2.0392164 1.0826153
7 0.6406683 1.7059085 0.9723876 19 0.2489484 0.619602 0.8454184
8 0.681804 0.7001154 0.4267299 20 1.3422921 2.3541265 0.4732003
9 3.3466768 2.6248481 1.2025574 21 1.9694818 0.881215 1.5793664
10 0.6698422 0.63518 0.7459561 22 0.7367487 0.4933195 1.6408363
11 0.2914188 1.0189008 1.6663478 23 1.5331018 0.3796782 0.7873793
12 0.3620763 0.4807989 0.6266575 24 0.1442188 0.6439433 0.2973242

Pengamatan ke-i adalah outlier jika
1 , ; ÷ ÷
>
p n p i
F F
o
.
Diperoleh bahwa F
0.05;5;18
= 2.7729, maka pengamatan ke-3 untuk operator
Elis dan endah, dan pengamatan ke-9 untuk operator Elis merupakan outlier.


4.2.3 Kehomogenan Matriks Varians Kovarians
Dalam analisis statistika multivariat MANOVA membutuhkan syarat
matriks varians-kovarians yang homogen. Untuk menguji syarat ini dapat
dipergunakan statistik uji Box-M.
Dengan hipotesis:
H
0
: kelima variabel dependen, yaitu info Ext, Event, PerMaTA, ACD, dan Non
ACD mempunyai matriks kovarians yang sama pada operator Elis, Endah, dan
Roffi
H
1
: kelima variabel dependen, yaitu info Ext, Event, PerMaTA, ACD, dan Non
ACD mempunyai matriks kovarians yang tidak sama pada operator Elis, Endah,
dan Roffi
16

Kriteria uji:
Jika angka sig> 0.05 maka H
0
diterima
Jika angka sig< 0.05 maka H
0
ditolak
Dengan menggunakan SPSS 17.0, diperoleh output sebagai berikut:
Output tanpa dibuangnya outlier
Output dengan dibuangnya outlier
Box's Test of Equality
of Covariance Matrices
a

Box's M 66.613
F 1.987
df1 30
df2 15086.200
Sig. .001
Tests the null hypothesis
that the observed
covariance matrices of
the dependent variables
are equal across groups.
a. Design: Intercept +
Operator


Box's Test of Equality
of Covariance Matrices
a

Box's M 71.918
F 2.133
df1 30
df2 13662.092
Sig. .000
Tests the null hypothesis
that the observed
covariance matrices of
the dependent variables
are equal across groups.
a. Design: Intercept +
Operator


Dari output di atas dapat diperoleh informasi bahwa:
a. Angka Box’M untuk pengamatan disertai outlier adalah 66.613 dengan
angka sig. 0.001 jauh di bawah 0.05, maka Ho ditolak. Hal ini berarti
matriks varians kovarians pada variabel Info_Ext, Event, PerMaTA, ACD,
Non ACD adalah berbeda baik pada operator Elis, Endah, maupun Roffi.
b. Angka Box’M untuk pengamatan dengan membuang outlier adalah 71.918
dengan angka sig. 0.001 jauh di bawah 0.05, maka Ho ditolak. Hal ini
berarti matriks varians kovarians pada variabel Info_Ext, Event,
PerMaTA, ACD, Non ACD adalah berbeda baik pada operator Elis,
Endah, maupun Roffi.
17

Dari hasil tersebut, dapat disimpulkan bahwa asumsi homogenitas matriks
varians kovarians tidak terpenuhi, baik ketika outlier tidak disertakan maupun
pada saat disertakannya outlier. Namun, kami akan melanjutkan pengujian dengan
menggunakan alat MANOVA dengan data yang disertai outlier, karena pengujian
dengan Box’M terlihat bahwa tidak ada perbedaan yang berarti terhadap
homogenitas variabel ketika disertai outlier maupun tidak.

4.2.4 Independensi
Independensi antar setiap pengamatan. Terpenuhinya asumsi ini dapat
dilakukan ketika pada pengambilan data peneliti harus yakin bahwa data yang
diambil bersifat independent (saling bebas).
Independensi antar variabel dependent. Antar variabel dependent
dikatakan bersifat saling bebas (independent) jika matriks korelasi antarvariabel
membentuk matriks identitas. Untuk menguji kebebasan antarvariabel ini dapar
dilakukan uji Bartlett sphericity berikut (Morrison, 2005):
Hipotesis:
H
0
: antar variabel dependent saling bebas
H
1
:antar variabel dependent tidak saling bebas
Statistik uji: R
p
n
hitung
ln
6
5 2
1
2
)
`
¹
¹
´
¦ +
÷ ÷ ÷ = _

(

)

Dengan menggunakan Microsoft Excel 2007, diperoleh

, sedangkan diperoleh

. Terima hipotesis H
0
yang
18

berarti antarvariabel dependen bersifat saling bebas jika nilai
2
) 1 (
2
1
2
÷
s
p p
hitung
_ _ .
Maka H
0
diterima yang menunjukkan bahwa antarvariabel dependen bersifat
bebas, dan menunjukkan bahwa penggunaan metode multivariat layak digunakan.

4.2.5 MANOVA
Setelah menguji asumsi MANOVA, dimana asumsi yang dipenuhi dalam
masalah ini adalah distribusi normal multivariat, independensi antarvariabel
pengamatan, dan tidak adanya outlier. Kemudian diajukan hipotesis sebagai
berikut:
Hipotesis:
H
0
: Variabel “info Ext”, ”Event”, ”PerMaTA”, ”ACD”, dan “Non ACD” secara
bersama-sama tidak menunjukkan perbedaan pada operator Endah, Elis, dan Roffi
H
1
: Variabel “info Ext”, ”Event”, ”PerMaTA”, ”ACD”, dan “Non ACD” secara
bersama-sama menunjukkan perbedaan pada operator Endah, Elis, dan Roffi
Dengan taraf signifikansi (α=5%), disajikan output SPSS sebagai berikut:
Multivariate Tests
c

Effect Value F
Hypothesis
df
Error
df Sig.
Intercept Pillai's
Trace
.952 260.018
a
5.000 65.000 .000
Wilks'
Lambda
.048 260.018
a
5.000 65.000 .000
Hotelling's
Trace
20.001 260.018
a
5.000 65.000 .000
Roy's
Largest
Root
20.001 260.018
a
5.000 65.000 .000



19

Operator Pillai's
Trace
1.031 14.034 10.000 132.000 .000
Wilks'
Lambda
.227 14.282
a
10.000 130.000 .000
Hotelling's
Trace
2.269 14.523 10.000 128.000 .000
Roy's
Largest
Root
1.525 20.133
b
5.000 66.000 .000


Kriteria uji:
Tolak H
0
jika angka signifikansi (sig) > 0.05 dan terima dalam hal lainnya.
Dari hasil perhitungan software tersebut diperoleh bahwa keempat statistik
uji menolak H
0
artinya terdapat perbedaan kinerja ketiga operator call centre.
Dengan nilai 0.221 A= , 1.820
s
u = ,
( )
2.426
s
U = dan
( )
1.023
s
V =
Karena H
0
ditolak, maka secara bersama-sama, variabel Info_Extension,
Event, PerMaTA, ACD, dan non ACD memang dipengaruhi oleh kinerja
operator. Kemudian dilakukan pengujian untuk mengetahui variabel yang paling
berpengaruh. Untuk mengetahui variabel yang paling berpengaruh dalam
membentuk perbedaan kinerja operator, maka dilakukan uji dari masing-masing
variabel.
Diajukan hipotesis sebagai berikut:
H
0
: kelima variabel dependen, yaitu info_Ext, Event, PerMaTA, ACD, dan non
ACD secara terpisah tidak memberikan pengaruh terhadap kinerja operator
H
1
: kelima variabel dependen, yaitu info_Ext, Event, PerMaTA, ACD, dan non
ACD scara terpisah memberikan pengaruh terhadap kinerja operator
Disajikan Output SPSS sebagai berikut:

Tests of Between-Subjects Effects
Source
Dependent
Variable
Type III Sum of
Squares Df Mean Square F Sig.
20

Corrected Model Info_Ext 76870.528
a
2 38435.264 1.022 .365
Event 1.095
b
2 .548 .159 .854
PerMaTA 229.789
c
2 114.894 15.244 .000
ACD 67.996
d
2 33.998 9.280 .000
Non_ACD 6.081
e
2 3.041 14.400 .000
Intercept Info_Ext 1.212E7 1 1.212E7 322.193 .000
Event 705.669 1 705.669 204.382 .000
PerMaTA 2248.144 1 2248.144 298.273 .000
ACD 1433.177 1 1433.177 391.213 .000
Non_ACD 251.689 1 251.689 1191.966 .000
Operator Info_Ext 76870.528 2 38435.264 1.022 .365
Event 1.095 2 .548 .159 .854
PerMaTA 229.789 2 114.894 15.244 .000
ACD 67.996 2 33.998 9.280 .000
Non_ACD 6.081 2 3.041 14.400 .000
Error Info_Ext 2595325.458 69 37613.412

Event 238.236 69 3.453

PerMaTA 520.067 69 7.537

ACD 252.776 69 3.663

Non_ACD 14.570 69 .211

Total Info_Ext 1.479E7 72

Event 945.000 72

PerMaTA 2998.000 72

ACD 1753.948 72

Non_ACD 272.340 72

Corrected Total Info_Ext 2672195.986 71

Event 239.331 71

PerMaTA 749.856 71

ACD 320.772 71

Non_ACD 20.651 71

a. R Squared = ,029 (Adjusted R Squared = ,001)
21

b. R Squared = ,005 (Adjusted R Squared = -,024)
c. R Squared = ,306 (Adjusted R Squared = ,286)
d. R Squared = ,212 (Adjusted R Squared = ,189)
e. R Squared = ,294 (Adjusted R Squared = ,274)

Kriteria uji:
Tolak H
0
jika nilai sig. kurang dari 0.05 dan terima dalam hal lainnya.
Dari output dapat diperoleh informasi:
Pada baris operator, tolak H
0
untuk variabel dependen PerMaTA, ACD,
dan Non ACD. Dengan demikian, jumlah layanan PerMaTA, tipe panggilan ACD
dan Non ACD memang dipengaruhi oleh kinerja operator. Kemudian terima H
0

untuk variabel dependent Info Extension dan Event, dengan demikian
menunjukkan bahwa jumlah layanan Info Extension dan Event tidak dipengaruhi
oleh kinerja operator.
Untuk mengetahui kinerja operator terbaik, maka dilakukan uji lanjut
dengan menggunakan metode Scheffe dan uji Duncan. Dengan menggunakan
SPSS 17.0, disajikan hasil sebagai berikut:
Info_Ext

Operator N
Subset

1
Duncan
a,,b,,c
3 24 367.1667
2 24 417.3750
1 24 446.2500
Sig.

.188
Scheffe
a,,b,,c
3 24 367.1667
2 24 417.3750
1 24 446.2500
Sig.

.374

22

Hasil pengujian diatas ternyata untuk variabel info extension, ketiga
operator mempunyai rata-rata yang tidak jauh berbeda, dalam hal ini operator Elis
merupakan operator terbaik karena rata-rata jumlah layanan info extension, yang
ditanganinya adalah yang tertinggi. Namun setelah dilakukan pengujian dengan
menggunakan kedua metode ternyata untuk layanan info extension nilai rata-rata
ketiga operator masih berada dalam satu subset yang sama. Artinya setelah
dilakukan pengujian kinerja ketiga operator untuk layanan info extension relatif
sama. Dengan kata lain, tidak terdapat perbedaan kinerja operator untuk jenis
layanan info extension.
Event

Operator N
Subset

1
Duncan
a,,b,,c
3 24 2.9582
1 24 3.1941
2 24 3.2396
Sig.

.625
Scheffe
a,,b,,c
3 24 2.9582
1 24 3.1941
2 24 3.2396
Sig.

.872

Pada variabel event, rata-rata kinerja ketiga operator nilainya tidak jauh
berbeda. Dalam hal ini Endah merupakan operator dengan nilai rata-rata tertinggi
dan Elis merupakan operator dengan rata-rata terendah. Artinya Endah adalah
operator yang paling banyak melayani panggilan untuk jenis layanan event,
sedangkan Elis adalah operator yang paling sedikit melayani panggilan untuk
jenis layanan event. Namun setelah dilakukan pengujian ternyata rata-rata kinerja
ketiga operator untuk jenis layanan event masih berada dalam satu subset yang
sama. Sehingga dapat dikatakan bahwa ketiga operator untuk jenis layanan event
adalah sama.


23

PerMaTA

Operator N
Subset

1 2 3
Duncan
a,,b,,c
3 24 3.4660

2 24

5.4612

1 24

7.8364
Sig.

1.000 1.000 1.000
Scheffe
a,,b,,c
3 24 3.4660

2 24

5.4612

1 24

7.8364
Sig.

1.000 1.000 1.000

Untuk variabel PerMaTA, terdapat perbedaan kinerja yang nyata dari
ketiga operator. Hal ini terlihat dari nilai signifikansi sebesar satu serta banyaknya
subset yang ada, artinya kinerja masing-masing operator berbeda secara nyata
antara satu dengan yang lainnya. Elis adalah operator terbaik dalam melayani
panggilan untuk jenis layanan PerMaTA, hal ini ditunjukkan dari nilai rata-
ratanya yang jauh berbeda dari kedua rekannya. Roffi adalah operator yang paling
sedikit melayani panggilan untuk jenis layanan PerMaTA.

ACD

Operator N
Subset

1 2
Duncan
a,,b,,c
1 24 3.7238

2 24 3.8263

3 24

5.8346
Sig.

.853 1.000
Scheffe
a,,b,,c
1 24 3.7238

2 24 3.8263

3 24

5.8346
Sig.

.983 1.000



ACD merupakan tipe panggilan yang berasal dari nomor resmi
TELKOMRisTI. Untuk tipe panggilan ACD terdapat perbedaan kinerja antara
24

Roffi dengan kedua rekannya. Hal ini ditunjukkan dengan rata-rata kinerja Roffi
yang jauh lebih tinggi dari kedua rekannya. Kemudian setelah dilakukan
pengujian ternyata rata-rata Elis dan Endah masih berada dalam satu subset yang
sama artinya tidak terdapat perbedaan yang berarti dalam melayani tipe panggilan
jenis ACD, sedangkan jika kinerja kedua operator tersebut dibandingkan dengan
Roffi ternyata terdapat perbedaan yang cukup signifikan diantara ketiganya.

Non_ACD

Operator N
Subset

1 2
Duncan
a,,b,,c
1 24 1.6608

3 24 1.6676

2 24

2.2807
Sig.

.959 1.000
Scheffe
a,,b,,c
1 24 1.6608

3 24 1.6676

2 24

2.2807
Sig.

.999 1.000


Untuk tipe panggilan Non ACD, Endah adalah operator yang paling
banyak melayani panggilan ini. Hal ini ditunjukkan dengan rata-rata kinerjanya
yang berada dalam subset yang berbeda dengan kedua rekannya.







25

BAB V
KESIMPULAN DAN SARAN

5.1 Kesimpulan
Berdasarkan hasil dan pembahasan bab-bab sebelumnya, maka dapat
diperoleh kesimpulan sebagai berikut:
1. Dari hasil perhitungan melalui software SPSS dengan menggunakan alat
multivariat MANOVA , dapat disimpulkan bahwa terdapat perbedaan
kinerja operator call center. Penggunaan MANOVA tetap dilakukan
walaupun matriks varians kovarians heterogen dikarenakan statistik T
2
cukup robust terhadap keherogenan matriks varians kovarians selama
ukuran sampelnya besar dan sama.
2. Variabel dependen yang paling berpengaruh dalam membentuk perbedaan
kinerja ketiga operator, yaitu variabel dependent PerMaTA, ACD, dan
Non ACD.
3. Uji lanjut menggunakan metode Scheffe dan Duncan diperoleh bahwa
kinerja operator terbaik untuk jenis layanan PerMaTA adalah Elis, untuk
tipe panggilan ACD adalah Roffi dan untuk non ACD adalah Elis. Khusus
untuk tipe panggilan non ACD yang dilihat adalah operator yang memiliki
rata-rata jumlah kinerja terkecil, sedangkan untuk jenis layanan info
extension dan event walaupun rata-rata kinerjanya berbeda namun masih
berada dalam subset yang sama sehingga dapat disimpulkan bahwa kinerja
ketiga operator untuk jenis layanan info extension dan event relatif sama.
5.2 Saran
Dalam makalah ini, data observasi yang digunakan untuk pengujian adalah
sebanyak 24 observasi. Dengan demikian asumsi-asumsi untuk pengujian
MANOVA sulit dipenuhi, kemungkinan besar karena data yang terlalu sedikit.
26

Karena setelah melakukan transformasi data maupun dikeluarkannya outlier,
asumsi homogenitas tidak terpenuhi. Oleh karena itu, untuk menghasilkan
pengujian yang lebih akurat lebih baik pengambilan data observasi lebih banyak
lagi.

.. i  1.. n ..Dengan mencari nilai: d i2  X i  X)' S 1 ( X i  X . diperoleh QQ-plot sebagai berikut: QQ Plot Jarak Umum dengan Persentil Chi Kuadrat untuk Operator Elis 16 14 12 10 8 6 4 2 0 0 2 4 6 8 10 12 14 Jarak Umum persentil chi kuadrat QQ Plot Jarak Umum dengan Persentil Chi Kuadrat untuk Operator Endah 14 persentil chi kuadrat 12 10 8 6 4 2 0 0 2 4 6 8 10 12 14 Jarak Umum 10 .

p ). p  1 n2  g i 1 j 1 n n 3 ij z1  ( p  1)( n  1)( n  3) b1. maka kami mengujinya melalui nilai multivariate skewnewss ( b1. untuk lebih meyakinkan dugaan kami apakah data ini berdistribusi normal multivariat atau tidak.0439 Z 1.p . dapat terlihat bahwa tolak Ho untuk operator Elis. z1 untuk ketiga operator sebagai berikut: Operator Elis b 1. b. p ).p = 47.801 Operator Rofi b 1. terlihat dari QQ-plot untuk ketiga operator tersebut mendekati distribusi normal multivariat karena titik-titik pada plot tersebut mengikuti garis lurus. Pengujian melalui nilai multivariate skewnewss ( b1.429 Operator Endah b 1.p = 60.p = 28.p = 10. terima dalam hal lainnya.891 Z 1. p 6(n  1)( p  1)  6 Diperoleh nilai b1. sedangkan terima Ho untuk operator Roffi 11 .381 2 Kemudian diperoleh  p ( p1)( p2) / 6 = Kriteria uji: Tolak Ho jika Z 1.p = 12. gij  (Xi  X)'S 1 (X j  X) b1.p = 6.QQ Plot Jarak Umum dengan Persentil Chi Kuadrat untuk Operator Rofi persentil chi kuadrat 10 8 6 4 2 0 0 2 4 6 8 10 12 14 Jarak umum Secara visual. Dengan menggunakan statistik uji dibawah ini. Namun.p > .198 Z 1.

031 a.110 Df 72 72 72 72 72 a Shapiro-Wilk Statistic * Sig. Maka ketiga variabel tersebut diberikan penanganan yaitu transformasi akar kuadrat.045 .200 df 72 72 72 72 72 Sig.679 . This is a lower bound of the true significance. dicari variabel mana saja yang harus ditransformasi.080 . .000 .974 .000 . Lilliefors Significance Correction *. .0. dan Non-ACD dibawah taraf signifikansi alpha=5%. Terlihat bahwa nilai sig. Dengan menggunakan SPSS 17.187 . PerMaTA.129 . untuk variabel Event.144 . menunjukkan bahwa ketiga variabel tersebut tidak berdistribusi normal. maka dilakukan transformasi data. 12 . Untuk penanganan data yang tidak berdistribusi normal multivariat. disajikan output sebagai berikut: Tests of Normality Kolmogorov-Smirnov Statistic Info_ext Event PerMaTA ACD Non_ACD .965 . Menunjukkan bahwa hanya data pengamatan untuk operator Endah dan Roffi yang berdistribusi normal multivariat.079 .969 .005 .912 .075 .200 * .dan Endah.000 . Data hasil transformasi disajikan dalam Lampiran 2.

Kemudian disajikan QQ-Plot untuk data hasil transformasi sebagai berikut: QQ-Plot antara jarak umum dengan persentil chi kuadrat untuk operator Elis 14 12 10 8 6 4 2 0 0 2 4 6 Jarak umum 8 10 12 Persentil chi kuadrat Persentil Chi Kuadrat QQ-Plot antara jarak umum dengan persentil chi kuadrat untuk operator Endah 15 10 5 0 0 2 4 6 8 10 12 14 Jarak umum QQ-Plot antara jarak umum dengan persentil chi kuadrat untuk operator Roffi Persentil chi kuadrat 15 10 5 0 0 2 4 Jarak umum 6 8 10 13 .

p = 5.p = 9. terima dalam hal lainnya.6875 Z 1. Roffi dan Endah. Setelah dilakukan transformasi untuk ketiga variabel (Event.p > . Namun untuk lebih meyakinkan data tersebut berdistribusi normal multivariat.8336 2 Kemudian diperoleh  p ( p1)( p2) / 6 = Kriteria uji: Tolak Ho jika Z 1.2 Outlier Data tidak berditribusi multinormal atau matriks varians-variansnya tidak homogen bisa saja disebabkan oleh sedikit pengamatan yang mempunyai pola berbeda dengan sebagian besar pengamatan. Dapat terlihat bahwa terima Ho untuk operator Elis.Secara visual dapat terlihat bahwa titik pada QQ-Plot pada ketiga operator tersebar pada garis lurus.9824 Operator Endah b 1. dilakukan pengujian dengan melihat nilai multivariat skewness. dicari nilai Fi untuk setiap pengamatan data yang belum dilakukan transformasi akar kuadrat hasil sebagai berikut: disajikan 14 .7738 Z 1. 2005) Fi n  p  1ndi2  2 pn  1 npdi2 Dengan menggunakan Microsoft Excel 2007. Pengamatan yang mempunyai perilaku seperti ini disebut outlier.p = 27. PerMaTA. dan Non ACD) menunjukkan bahwa ketiga operator berdistribusi normal multivariat. memungkinkan data berdistribusi normal multivariat.p = 41.p = 45.8146 Operator Rofi b 1.2.p = 4.9378 Z 1. disajikan sebagai berikut: Operator Elis b 1. Statistik uji yang dapat dipakai untuk mendeteksi adanya outlier adalah (Morrison. 4.

6782457 14 1.6408363 0.4534285 1.4904615 4.6266575 24 0.430002 0.7367487 0.3 Kehomogenan Matriks Varians Kovarians Dalam analisis statistika multivariat MANOVA membutuhkan syarat matriks varians-kovarians yang homogen.2489484 0.5331018 0.0392164 1.3243185 0.2914188 1. yaitu info Ext. Dengan hipotesis: H0: kelima variabel dependen.3541265 0. 4.7459561 22 0.5.0826153 0.4267976 0.3662686 1. PerMaTA.763144 2.8338343 0.5370266 0.6698422 0.337848 1.18 = 2.4267299 20 1.435649 0.2973242 Pengamatan ke-i adalah outlier jika Fi  F . Endah.9723876 19 0.6731225 0.9694818 0.8826316 13 1.3796782 0.7207364 0.681804 0.772547 0.2197005 0. maka pengamatan ke-3 untuk operator Elis dan endah.619602 0.1442188 0.4364024 0. PerMaTA. Endah.n  p 1 .6439433 0.63518 0. yaitu info Ext.05.7059085 0.3781935 0.4807989 0. dan Roffi 15 .7440484 1.6534269 0.3466768 2.6406683 1.4933195 1.6633718 0.5793664 0.8454184 0.881215 1.5197441 2.3620763 0.768247 2.7926928 17 0. dan Non ACD mempunyai matriks kovarians yang tidak sama pada operator Elis.0189008 1.6663478 23 1. dan Roffi H1: kelima variabel dependen.2025574 21 1.173708 1.7873793 0. p . Untuk menguji syarat ini dapat dipergunakan statistik uji Box-M.2. ACD.7123318 18 1. Diperoleh bahwa F 0.7453119 16 0.6248481 1.3422921 2. dan pengamatan ke-9 untuk operator Elis merupakan outlier.4732003 3. dan Non ACD mempunyai matriks kovarians yang sama pada operator Elis. Event. ACD.Observasi ke1 2 3 4 5 6 7 8 9 10 11 12 Fi untuk Operator Fi untuk Operator Observasi keElis Endah Roffi Elis Endah Roffi 0.4549799 15 0.7729. Event.4980597 3.1472649 0.4714377 0.7001154 0.0183168 0.4098495 1.

0. maka Ho ditolak. maupun Roffi. a Output dengan dibuangnya outlier Box's Test of Equality of Covariance Matrices Box's M F df1 df2 Sig. Hal ini berarti matriks varians kovarians pada variabel Info_Ext. Non ACD adalah berbeda baik pada operator Elis. a 66.918 dengan angka sig.000 Tests the null hypothesis that the observed covariance matrices of the dependent variables are equal across groups. 16 .Kriteria uji: Jika angka sig> 0. Event.001 71. Endah. Endah. Design: Intercept + Operator Tests the null hypothesis that the observed covariance matrices of the dependent variables are equal across groups. a. Non ACD adalah berbeda baik pada operator Elis.0.987 30 15086. diperoleh output sebagai berikut: Output tanpa dibuangnya outlier Box's Test of Equality of Covariance Matrices Box's M F df1 df2 Sig. PerMaTA. ACD. ACD. Design: Intercept + Operator Dari output di atas dapat diperoleh informasi bahwa: a. Angka Box’M untuk pengamatan disertai outlier adalah 66. maupun Roffi. maka Ho ditolak. Hal ini berarti matriks varians kovarians pada variabel Info_Ext.133 30 13662.092 .05 maka H0 ditolak Dengan menggunakan SPSS 17.918 2.001 jauh di bawah 0.001 jauh di bawah 0. Event.05.200 .613 1. a. Angka Box’M untuk pengamatan dengan membuang outlier adalah 71. b.613 dengan angka sig.05.05 maka H0 diterima Jika angka sig< 0. 0. PerMaTA.

Dari hasil tersebut. Antar variabel dependent dikatakan bersifat saling bebas (independent) jika matriks korelasi antarvariabel membentuk matriks identitas. Untuk menguji kebebasan antarvariabel ini dapar dilakukan uji Bartlett sphericity berikut (Morrison.2. Namun. 4. Terima hipotesis H0 yang 17 . diperoleh . sedangkan diperoleh ) . karena pengujian dengan Box’M terlihat bahwa tidak ada perbedaan yang berarti terhadap homogenitas variabel ketika disertai outlier maupun tidak.4 Independensi Independensi antar setiap pengamatan. kami akan melanjutkan pengujian dengan menggunakan alat MANOVA dengan data yang disertai outlier. Independensi antar variabel dependent. baik ketika outlier tidak disertakan maupun pada saat disertakannya outlier. 2005): Hipotesis: H0 : antar variabel dependent saling bebas H1 :antar variabel dependent tidak saling bebas 2 p  5  2 Statistik uji:  hitung   n  1   ln R 6   ( Dengan menggunakan Microsoft Excel 2007. Terpenuhinya asumsi ini dapat dilakukan ketika pada pengambilan data peneliti harus yakin bahwa data yang diambil bersifat independent (saling bebas). dapat disimpulkan bahwa asumsi homogenitas matriks varians kovarians tidak terpenuhi.

018 a 5.048 20.000 5. ”ACD”. dan “Non ACD” secara bersama-sama menunjukkan perbedaan pada operator Endah. ”ACD”. independensi antarvariabel pengamatan.001 260.952 . ”PerMaTA”. ”PerMaTA”. Elis.000 . ”Event”. Elis.2 2 berarti antarvariabel dependen bersifat saling bebas jika nilai  hitung   1 2 p ( p 1) . Kemudian diajukan hipotesis sebagai berikut: Hipotesis: H0: Variabel “info Ext”.000 . dan “Non ACD” secara bersama-sama tidak menunjukkan perbedaan pada operator Endah. ”Event”.000 65.018 a Hypothesis df 5.5 MANOVA Setelah menguji asumsi MANOVA.2.000 65. dan menunjukkan bahwa penggunaan metode multivariat layak digunakan.018 260.000 a 20.000 .000 5.001 F a 260. disajikan output SPSS sebagai berikut: Multivariate Tests c Effect Intercept Pillai's Trace Wilks' Lambda Hotelling's Trace Roy's Largest Root Value . 4. dimana asumsi yang dipenuhi dalam masalah ini adalah distribusi normal multivariat.000 Error df 65.000 65.000 Sig. dan tidak adanya outlier.000 18 . Maka H0 diterima yang menunjukkan bahwa antarvariabel dependen bersifat bebas. . dan Roffi Dengan taraf signifikansi (α=5%). dan Roffi H1: Variabel “info Ext”.018 260.

Event. dan non ACD secara terpisah tidak memberikan pengaruh terhadap kinerja operator H1: kelima variabel dependen. U ( s )  2.133 b 5.000 10. maka dilakukan uji dari masing-masing variabel. maka secara bersama-sama.000 132.000 130.000 66.000 14.Operator Pillai's Trace Wilks' Lambda Hotelling's Trace Roy's Largest Root 1. dan non ACD memang dipengaruhi oleh kinerja operator. ACD. Diajukan hipotesis sebagai berikut: H0: kelima variabel dependen.523 1. dan non ACD scara terpisah memberikan pengaruh terhadap kinerja operator Disajikan Output SPSS sebagai berikut: Tests of Between-Subjects Effects Dependent Source Variable Type III Sum of Squares Df Mean Square F Sig.023 Karena H0 ditolak.  s  1.269 14.000 . variabel Info_Extension.426 dan V ( s )  1.000 10.820 . ACD. yaitu info_Ext.221 .525 20. PerMaTA. ACD.282 a 10.05 dan terima dalam hal lainnya. yaitu info_Ext.000 128. Dengan nilai   0. Dari hasil perhitungan software tersebut diperoleh bahwa keempat statistik uji menolak H0 artinya terdapat perbedaan kinerja ketiga operator call centre. Event. Event. PerMaTA. PerMaTA.000 .000 .227 2. 19 .000 Kriteria uji: Tolak H0 jika angka signifikansi (sig) > 0. Untuk mengetahui variabel yang paling berpengaruh dalam membentuk perbedaan kinerja operator.031 .034 14. Kemudian dilakukan pengujian untuk mengetahui variabel yang paling berpengaruh.000 .

280 14.159 15.193 204.669 2248.548 114.236 520.000 .273 391.986 239.095 a 2 2 2 2 2 1 1 1 1 1 2 2 2 2 2 69 69 69 69 69 72 72 72 72 72 71 71 71 71 71 38435.Corrected Model Info_Ext Event PerMaTA ACD Non_ACD 76870.458 238.177 251.095 229.689 76870.144 1433.022 .789 67.000 .000 .365 .331 749.651 Operator Info_Ext Event PerMaTA ACD Non_ACD Error Info_Ext Event PerMaTA ACD Non_ACD Total Info_Ext Event PerMaTA ACD Non_ACD Corrected Total Info_Ext Event PerMaTA ACD Non_ACD a.948 272.854 .996 6.000 .412 3.000 . R Squared = .856 320.000 .570 1.340 2672195.144 1433.548 114.177 251.528 1.211 1.264 .000 2998.159 15.669 2248.400 322.996 6.365 .894 33.537 3.212E7 705.000 .081 c d e Intercept Info_Ext Event PerMaTA ACD Non_ACD 1.400 .212E7 705.041 1.479E7 945.000 .776 14.029 (Adjusted R Squared = .382 298.689 38435.998 3.022 .854 .244 9.000 .067 252.000 .280 14.998 3.001) 20 .000 b 229.663 .966 1.789 67.264 .894 33.528 1.244 9.213 1191.000 1753.453 7.041 37613.772 20.081 2595325.

R Squared = .2500 .. ACD.024) c. kurang dari 0.0. jumlah layanan PerMaTA.1667 417. Dengan demikian. dengan demikian menunjukkan bahwa jumlah layanan Info Extension dan Event tidak dipengaruhi oleh kinerja operator. 24 24 24 367.3750 446.306 (Adjusted R Squared = .c N 24 24 24 1 367. dan Non ACD.286) d.274) Kriteria uji: Tolak H0 jika nilai sig. R Squared = .374 21 . R Squared = . Scheffe a.b.b. Untuk mengetahui kinerja operator terbaik. Kemudian terima H0 untuk variabel dependent Info Extension dan Event..05 dan terima dalam hal lainnya.b..294 (Adjusted R Squared = .c Duncan a.1667 417.3750 446.212 (Adjusted R Squared = . maka dilakukan uji lanjut dengan menggunakan metode Scheffe dan uji Duncan.188 3 2 1 Sig.. tipe panggilan ACD dan Non ACD memang dipengaruhi oleh kinerja operator. disajikan hasil sebagai berikut: Info_Ext Subset Operator 3 2 1 Sig.2500 . R Squared = . Dengan menggunakan SPSS 17. Dari output dapat diperoleh informasi: Pada baris operator. tolak H0 untuk variabel dependen PerMaTA.005 (Adjusted R Squared = -.189) e.

Event Subset Operator 3 1 2 Sig..2396 .9582 3. 24 24 24 2.b.. rata-rata kinerja ketiga operator nilainya tidak jauh berbeda. ketiga operator mempunyai rata-rata yang tidak jauh berbeda.2396 .Hasil pengujian diatas ternyata untuk variabel info extension. Scheffe a. Dalam hal ini Endah merupakan operator dengan nilai rata-rata tertinggi dan Elis merupakan operator dengan rata-rata terendah. 22 . Artinya setelah dilakukan pengujian kinerja ketiga operator untuk layanan info extension relatif sama.872 Pada variabel event. dalam hal ini operator Elis merupakan operator terbaik karena rata-rata jumlah layanan info extension. Dengan kata lain. Namun setelah dilakukan pengujian ternyata rata-rata kinerja ketiga operator untuk jenis layanan event masih berada dalam satu subset yang sama.1941 3..625 3 1 2 Sig.9582 3.c Duncan a.c N 24 24 24 1 2. tidak terdapat perbedaan kinerja operator untuk jenis layanan info extension. Namun setelah dilakukan pengujian dengan menggunakan kedua metode ternyata untuk layanan info extension nilai rata-rata ketiga operator masih berada dalam satu subset yang sama.. yang ditanganinya adalah yang tertinggi.b.1941 3. Artinya Endah adalah operator yang paling banyak melayani panggilan untuk jenis layanan event. sedangkan Elis adalah operator yang paling sedikit melayani panggilan untuk jenis layanan event. Sehingga dapat dikatakan bahwa ketiga operator untuk jenis layanan event adalah sama.

.000 Untuk variabel PerMaTA.c Operator 1 2 3 Sig.000 1. Elis adalah operator terbaik dalam melayani panggilan untuk jenis layanan PerMaTA. N 24 24 24 1 3.8263 5.000 ACD merupakan tipe panggilan yang berasal dari nomor resmi TELKOMRisTI.4612 7. N 24 24 24 1 3.7238 3. Roffi adalah operator yang paling sedikit melayani panggilan untuk jenis layanan PerMaTA..983 1...8263 2 5.8364 1.c 3 2 1 Sig.8346 .853 1. 24 24 24 3.PerMaTA Subset Duncan a. Untuk tipe panggilan ACD terdapat perbedaan kinerja antara 23 .7238 3.000 1. ACD Subset Duncan a..4612 3 7.4660 5..c Operator 3 2 1 Sig.b. artinya kinerja masing-masing operator berbeda secara nyata antara satu dengan yang lainnya.000 Scheffe a.000 1. 24 24 24 3. hal ini ditunjukkan dari nilai rataratanya yang jauh berbeda dari kedua rekannya.000 1. terdapat perbedaan kinerja yang nyata dari ketiga operator.8364 1.b..c 1 2 3 Sig.b.b.000 Scheffe a. Hal ini terlihat dari nilai signifikansi sebesar satu serta banyaknya subset yang ada..4660 2 5.8346 .

6676 2 2.b.c 1 3 2 Sig. N 24 24 24 1 1... Hal ini ditunjukkan dengan rata-rata kinerjanya yang berada dalam subset yang berbeda dengan kedua rekannya. Endah adalah operator yang paling banyak melayani panggilan ini.999 1. 24 .2807 ..2807 .6608 1.b.000 Scheffe a. 24 24 24 1. Kemudian setelah dilakukan pengujian ternyata rata-rata Elis dan Endah masih berada dalam satu subset yang sama artinya tidak terdapat perbedaan yang berarti dalam melayani tipe panggilan jenis ACD.. Hal ini ditunjukkan dengan rata-rata kinerja Roffi yang jauh lebih tinggi dari kedua rekannya.6608 1. sedangkan jika kinerja kedua operator tersebut dibandingkan dengan Roffi ternyata terdapat perbedaan yang cukup signifikan diantara ketiganya. Non_ACD Subset Duncan a.6676 2.000 Untuk tipe panggilan Non ACD.c Operator 1 3 2 Sig.959 1.Roffi dengan kedua rekannya.

2. dapat disimpulkan bahwa terdapat perbedaan kinerja operator call center. Variabel dependen yang paling berpengaruh dalam membentuk perbedaan kinerja ketiga operator. data observasi yang digunakan untuk pengujian adalah sebanyak 24 observasi. Penggunaan MANOVA tetap dilakukan walaupun matriks varians kovarians heterogen dikarenakan statistik T2 cukup robust terhadap keherogenan matriks varians kovarians selama ukuran sampelnya besar dan sama. Uji lanjut menggunakan metode Scheffe dan Duncan diperoleh bahwa kinerja operator terbaik untuk jenis layanan PerMaTA adalah Elis. 5. ACD. 3. Dengan demikian asumsi-asumsi untuk pengujian MANOVA sulit dipenuhi. Dari hasil perhitungan melalui software SPSS dengan menggunakan alat multivariat MANOVA . untuk tipe panggilan ACD adalah Roffi dan untuk non ACD adalah Elis. sedangkan untuk jenis layanan info extension dan event walaupun rata-rata kinerjanya berbeda namun masih berada dalam subset yang sama sehingga dapat disimpulkan bahwa kinerja ketiga operator untuk jenis layanan info extension dan event relatif sama.BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan hasil dan pembahasan bab-bab sebelumnya.2 Saran Dalam makalah ini. Khusus untuk tipe panggilan non ACD yang dilihat adalah operator yang memiliki rata-rata jumlah kinerja terkecil. kemungkinan besar karena data yang terlalu sedikit. dan Non ACD. yaitu variabel dependent PerMaTA. maka dapat diperoleh kesimpulan sebagai berikut: 1. 25 .

Karena setelah melakukan transformasi data maupun dikeluarkannya outlier. untuk menghasilkan pengujian yang lebih akurat lebih baik pengambilan data observasi lebih banyak lagi. Oleh karena itu. asumsi homogenitas tidak terpenuhi. 26 .

.2807 . Hal ini ditunjukkan dengan rata-rata kinerjanya yang berada dalam subset yang berbeda dengan kedua rekannya.2807 . sedangkan jika kinerja kedua operator tersebut dibandingkan dengan Roffi ternyata terdapat perbedaan yang cukup signifikan diantara ketiganya. Hal ini ditunjukkan dengan rata-rata kinerja Roffi yang jauh lebih tinggi dari kedua rekannya.6676 2 2.000 1 3 2 Sig. Scheffe a..Roffi dengan kedua rekannya.6608 1..c Operator 1 3 2 Sig. Non_ACD Subset Duncana.b.b. 24 24 24 Untuk tipe panggilan Non ACD.6608 1. Endah adalah operator yang paling banyak melayani panggilan ini..959 1. 24 . Kemudian setelah dilakukan pengujian ternyata rata-rata Elis dan Endah masih berada dalam satu subset yang sama artinya tidak terdapat perbedaan yang berarti dalam melayani tipe panggilan jenis ACD.999 1.6676 2.000 1.c N 24 24 24 1 1.

2. Variabel dependen yang paling berpengaruh dalam membentuk perbedaan kinerja ketiga operator. 3. maka dapat diperoleh kesimpulan sebagai berikut: 1. dan Non ACD. ACD. Dengan demikian asumsi-asumsi untuk pengujian MANOVA sulit dipenuhi. sedangkan untuk jenis layanan info extension dan event walaupun rata-rata kinerjanya berbeda namun masih berada dalam subset yang sama sehingga dapat disimpulkan bahwa kinerja ketiga operator untuk jenis layanan info extension dan event relatif sama. Penggunaan MANOVA tetap dilakukan walaupun matriks varians kovarians heterogen dikarenakan statistik T2 cukup robust terhadap keherogenan matriks varians kovarians selama ukuran sampelnya besar dan sama. Uji lanjut menggunakan metode Scheffe dan Duncan diperoleh bahwa kinerja operator terbaik untuk jenis layanan PerMaTA adalah Elis.1 Kesimpulan Berdasarkan hasil dan pembahasan bab-bab sebelumnya. data observasi yang digunakan untuk pengujian adalah sebanyak 24 observasi. Dari hasil perhitungan melalui software SPSS dengan menggunakan alat multivariat MANOVA . dapat disimpulkan bahwa terdapat perbedaan kinerja operator call center. Khusus untuk tipe panggilan non ACD yang dilihat adalah operator yang memiliki rata-rata jumlah kinerja terkecil. 25 .BAB V KESIMPULAN DAN SARAN 5. kemungkinan besar karena data yang terlalu sedikit.2 Saran Dalam makalah ini. 5. yaitu variabel dependent PerMaTA. untuk tipe panggilan ACD adalah Roffi dan untuk non ACD adalah Elis.

Karena setelah melakukan transformasi data maupun dikeluarkannya outlier. untuk menghasilkan pengujian yang lebih akurat lebih baik pengambilan data observasi lebih banyak lagi. Oleh karena itu. 26 . asumsi homogenitas tidak terpenuhi.

Sign up to vote on this title
UsefulNot useful