Sesi 3
This presentation is the property of its rightful owner.
Sponsored Links
1 / 95

SESI 3 PowerPoint PPT Presentation


  • 149 Views
  • Uploaded on
  • Presentation posted in: General

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

Download Presentation

SESI 3

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Sesi 3

SESI 3

Statistika Non-Parametrik

AnalisisJalur (Path Analysis)

AnalisisFaktor

AnalisisDiskriminan

Oleh : M. HavizIrfani, S.Si, MTI

[email protected]

[email protected]


Statistika non parametrik

Statistika Non-Parametrik

Statistik Non-Parametrikmerupakansalahsatupengujianhipotesa yang digunakanselainstatistikParametrik.

BentukrumusanHipotesis yang diujiterbagimenjadi 3 bagian, yaitu:

  • HipotesisDeskriptif (Penjelasan/Gambaran).

  • HipotesisKomparatif (Perbandingan), terdiridarisampelberpasangan (2 sampel) ataulebih.

  • HipotesisAsosiatif (Hubungan), terdiridari 2 sampelataulebih.


Sesi 3

Statistika Non-Parametrik

Tabel 3.1 perbedaandankesamaanmendasardaristatistikparametrikdanstatistiknonparametriksebagaiberikut:


Sesi 3

Statistika Non-Parametrik

Tabel 3.1 BentukStatistikNonParametrik data Ordinal


Uji normalitas

Statistika Non-Parametrik

UJI NORMALITAS

  • Ujinormalitasadalahujiuntukmengukurapakah data kitamemilikidistribusi normal atautidak, sehinggadapatdipakaidalamstatistikparametrik (statistikinferensial).


Tujuan dan kegunaan uji normalitas

Statistika Non-Parametrik

TujuandanKegunaanUjiNormalitas.

  • Mengetahuiketetapanpemilihanuji yang akandigunakan

  • Ujinormalitasbergunauntukmembuktikan data darisampel yang dimilikiberasaldaripopulasiberdistribusi normal atau data populasi yang dimilikiberdistribusi normal.


Singkatnya

Statistika Non-Parametrik

Singkatnya??

  • data yang mempunyaidistribusi normal akanmempunyaimean (rata-rata) dansimpanganbaku yang normal, serta data sampel yang berdistribusi normal dianggapdapatmewakilipopulasi yang ada.


Uji normalitas dengan kolmogorov smirnov k s atau shapiro wilk

Statistika Non-Parametrik

UjiNormalitasdenganKolmogorov Smirnov (K-S) atau Shapiro Wilk

Langkah-langkahUjiNormalitas:

  • Ambil data contoh 1.sav

  • Pilih menu Analyze

  • Pilih submenu Explore

  • Tekantombol Plots

  • CentangNormality plots with tests


Sesi 3

Statistika Non-Parametrik


Sesi 3

Statistika Non-Parametrik

Hipotesis:

  • H0: data berdistribusi normal

  • H1: data tidakberdistribusi normal


Kriteria

Statistika Non-Parametrik

Kriteria:

  • Tetapkantarapsignifikansiujimisalnyaa = 0.05 (tarafkepercayaan 95%).

  • Jikasignifikansi yang diperoleh > a , maka Ho diterima

  • Jikasignifikansi yang diperoleh < a , maka Hoditolak

    Olehkarenanilai sig.=0,607 > 0,05 maka H0 diterima, sampelberasaldaripopulasi yang berdistribusi normal.


Cara ii

Statistika Non-Parametrik

Cara II

Langkah-langkah :

1. Pilih Menu Analyze

2. PilihNonparametric Tests

3. PilihLegacy Dialogs

4.Pilih 1-Sample K-S.


Sesi 3

Statistika Non-Parametrik

Dari tabeldiatasterlihatbahwahasilKolmogorov-Smirnov Z > 0,05 yaitu H0 diterimadan data contohdiatasberdistribusi Normal


Uji mann whitney 2 sample bebas

Statistika Non-Parametrik

UJI MANN -WHITNEY (2 Sample Bebas)

  • TujuandanKegunaanUji Mann Whitney.

    Uji Mann Whitney bertujuanuntukmengetahuiapakahduabuahsampelbebasberasaldaripopulasi yang sama, atauduasampeltersebuttidakbergantungsatusamalainnya.

    Ujiinidigunakanhanyauntukujistatistik non paramatrik (jikabertipe Nominal/ordinal ataubertipe interval/rasiotetapitidakberdistribusi normal)


Contoh 2

Statistika Non-Parametrik

Contoh 2:

Apakahterdapatperbedaansikapkonsumenberdasarkantempattinggal?, Atauapakahsikapkonsumendi Palembang berbedasecaranyatadengansikapkonsumendi Jambi dalamhalpemasaranprodukrumahmakan XYZ?


Sesi 3

Statistika Non-Parametrik

Hipotesis:

  • H0 :Sikapkonsumendi Palembang terhadapprodukrumahmakan XYZ tidakberbedadengansikapkonsumendi Jambi dalampemasaranprodukrumahmakan XYZ.

  • H1: Sikapkonsumendi Palembang terhadapprodukrumahmakan XYZ berbedasecaranyatadengansikapkonsumendi Jambi dalampemasaranprodukrumahmakan XYZ.


Sesi 3

Statistika Non-Parametrik

Karena data diatasbaikvariabel Kota danvariabelSikapKonsumenmenghasilkan sig.=0,000 < 0,05 (Tarafsignifikan 5%) maka data-data tersebuttidakberdistribusi normal secarasignifikan.


Sesi 3

Statistika Non-Parametrik

Langkah-langkah :

  • pilih menu analyzeNonparametric Tests

  • PilihLegacy Dialogs

  • Pilih2 Independent Samples.


Sesi 3

Statistika Non-Parametrik

Hasil yang diperoleh, yaitu:

Sig.=0,001 < 0,05 maka H0 ditolak, artinyaSikapkonsumenterhadapprodukrumahmakan XYZ berbedaantarakonsumendi Palembang dengan Jambi


Uji wilcoxon 2 sample berpasangan berhubungan

Statistika Non-Parametrik

UJI WILCOXON (2 Sample Berpasangan/Berhubungan)

Digunakanuntukmengetahuikeberartiantingkatperbedaanantarasesudahdansebelumperlakuan, dilakukanujiWilcoxon.

Permasalahan:

Apakahkenaikan BBM memberikanefekberartibagipenjualan motor diperusahaan XYZ? AtauBagaimanadampakkenaikan BBM terhadappenjualan motor padaperusahaan XYZ?


Sesi 3

Statistika Non-Parametrik

Hipotesis :

  • H0: Kenaikan BBM tidakmempunyaiefekberartipadapenjualan motor diperusahaan XYZ.

  • H1: Kenaikan BBM mempunyaiefekberartipadapenjualan motor diperusahaan XYZ.


Sesi 3

Statistika Non-Parametrik

Karena data diatasbaikvariabelSebelumKenaikan BBM danvariabelSetelahKenaikan BBM menghasilkan sig. < 0,05 (Tarafsignifikan 5%) maka data yang demikiantidakterdistribusi normal secarasignifikan.

Langkah-langkah:

  • Pilih menu analyze

  • Nonparametric Tests

  • Legacy Dialogs

  • 2 Related Samples.


Sesi 3

Statistika Non-Parametrik


Sesi 3

Statistika Non-Parametrik

Padatabelhasilujiwilcoxon, menjelaskanselisihantarasesudahdansebelumkenaikan BBM yang bernilainegatif (negative difference) rata-rata dariskorsesudahkenaikanmemilikinilai yang lebihkecil. Artinya, ada data penjualansesudahkenaikan BBM yang lebihkecildarisebelumkenaikan BBM sehinggamean rank samadengan 4,75.

Olehkarena Sig.=0,000 < 0,05 maka H0 ditolak, artinyaKenaikan BBM mempunyaiefekberartipadapenjualan motor diperusahaan XYZ.


Uji kruskal wallis k sample bebas

Statistika Non-Parametrik

UJI KRUSKAL-WALLIS (k Sample Bebas)

Analisisinidigunakanuntukmengujiperbedaan > 2 sampelindependen. Kruskall-Wallis termasukdalamkategoristatistiknonparametris.

Data yang dapatdianalisisdenganKruskall-Wallis (KW) dapatberupa data ordinal maupun data nominal. 


Contoh 4

Statistika Non-Parametrik

Contoh 4:

Permasalahan:

Apakahterdapathubungan/pengaruhgolongandarah (A,B,dan O) denganjenismateri yang disukai (Hitungan, Hafalan, dankeduanya)?

Hipotesis:

H0 : Tidakadahubunganantaragolongandarahdenganjenismateri yang disukai.

H1 : Terdapathubunganantaragolongandarahdenganjenismateri yang disukai.


Sesi 3

Statistika Non-Parametrik

Olehkarenanilaisignifikan (sig.) < 0,05 untuksemuagolongandarah, maka data tersebuttidakberdistribusi normal sehinggadilakukanujistatistik non-parametrik.


Sesi 3

Statistika Non-Parametrik

Langkah-langkah:

  • pilih menu analyze

  • PilihNonparametric Tests

  • PilihLegacy Dialogs

  • Pilih K Independent Samples.


Sesi 3

Statistika Non-Parametrik


Sesi 3

Statistika Non-Parametrik

  • Kolom 1 yaitu N berartijumlah data terdiridarigolongandarah A, B, danO, denganjumlah data masing-masing 30, 23, dan 21 dengantotalnya 74.

  • Kolom 2 yaitu Mean Ranks ataubedanilai rata-rata untukgolongandarah A = 36.33, golongandarah B = 37.17, dangolongandarah O = 39.52.

    Asymp. Sig. = 0,855 > 0,05 makadapatdisimpulkanbahwa H0diterima, dan H1ditolak. Dengankata lain, tidakadaperbedaanJenismateri yang disukaidengangolongandarahataurataancarabelajarmahasiswagolongandarah A, B, dan O adalahsama


Friedman k sample berpasangan

Statistika Non-Parametrik

FRIEDMAN (k Sample Berpasangan)

  • Uji Friedman digunakanuntukkomparasi K sampelberpasangan (berkorelasi) dengan data ordinal (ranking). Adapunkelompoksampel yang adalebihdari 2 kelompokdengankarakter yang sama. Di dalampenelitiankelompoksampeldapatdiambillebihdariduadengankaraktersampel yang berhubungan.


Sesi 3

Statistika Non-Parametrik

Permasalahan:

Adakahperbedaanpengaruhkeempatpaketterhadapcitra rasa (kualitas) masakanpadarestoran Fast Food?

Hipotesis:

H0 : Tidakterdapatperbedaancitra rasa (kualitas) denganmeluncurkanketigapakettersebut

H1 : Terdapatperbedaancitra rasa (kualitas) denganmeluncurkanketigapakettersebut


Sesi 3

Statistika Non-Parametrik

Olehkarenanilaisignifikan (sig.) < 0,05 untuksemuagolongandarah, maka data tersebuttidakberdistribusi normal (tabeldibawah) sehinggadilakukanujistatistik non-parametrik.


Sesi 3

Statistika Non-Parametrik

Langkah-langkah :

  • Pilih Analyze

  • Pilih Nonparametric Tests

  • Pilih Legacy Dialogs

  • Pilih K Related Samples.


Sesi 3

Statistika Non-Parametrik

Berdasarkanperhitungandiatasdapatdisimpulkanbahwadenganderajatkesalahanpenarikankesimpulansebesar (alpha) 0,05, keempatpaketmasakan yang diluncurkanolehrestoranpadamasing-masingpakettidakberpengaruhsecarasignifikanterhadapkualitasmasakan. Hal tersebutdapatdilihatyaitudariAsymp. sig. (0,968) > 0,05.


Sesi 3

SESI 3

  • Statistika Non-Parametrik

    • AnalisisJalur (Path Analysis)

  • AnalisisFaktor

    • AnalisisDiskriminan

Oleh : M. HavizIrfani, S.Si, MTI


Sesi 3

  • AnalisisJalur (Path Analysis)

Pengertian Path Analysis

Analisisjalurdikembangkanpertamatahun 1920-an olehseorangahligenetikayaitu Sewall Wright .

AnalisisJalurdigunakanuntukmenganalisispolahubunganantarvariabeldengantujuanuntukmengetahuipengaruhlangsungmaupuntidaklangsungseperangkatvariabelbebas (eksogen) terhadapvariabelterikat (endogen).


Sesi 3

  • AnalisisJalur (Path Analysis)

ManfaatAnalisisJalur

  • Penjelasanterhadapfenomena yang dipelajariataupermasalahan yang diteliti

  • Prediksinilaivariabelterikat (Y) berdasarkannilaivariabelbebas (X)

  • FaktorDiterminanyaitupenentuanvariabelbebas (X) mana yang berpengaruhdominanterhadapvariabelterikat (Y),jugadapatdigunakanuntukmenelusurijalur-jalurpengaruhvariabelbebas (X) terhadapvariabelterikat (Y).

  • Pengujian model, untukujireabilitas (ujiKeajegan) konsep yang sudahadaataupununtukujipengembangankosnsepbaru.


Model analisis jalur

  • AnalisisJalur (Path Analysis)

Model AnalisisJalur

Model JalurKorelasi

P31

  • Model JalurBebas

1

r12

P31

1

3

3

2

P32

2

P32

  • Model Jalur Median

P31

1

3

P21

2

P32


Model korelasi

  • AnalisisJalur (Path Analysis)

Model korelasi

rYX

Y

X

  • ).KorelasiSederhana

rYX1

X1

rY.X2.X1

rX2X1

Y

rYX2

X2

  • b).KorelasiBerganda


Sesi 3

  • AnalisisJalur (Path Analysis)

Apakahadakorelasiantara X1,X2 dan X3? Apakah X1,X2,X3 bersama-samamempengaruhi Y?

Masalah:

  • Apakah model analisisnya?

  • Seberapabesar X1,X2,X3 mempengaruhi Y baiksecarasendiri-sendirimaupunsecaragabungan?

  • Pengaruhvariabelbebasmana yang paling besar?


Sesi 3

  • AnalisisJalur (Path Analysis)

  • Model analisisJalur

X1

PY.X1

rX1X2

rX1X3

PY.X2

Y

X2

rX2X3

PY.X3

X3

Gambar. Hubungan struktural antara X,X2,X3 dan Y


Sesi 3

  • AnalisisJalur (Path Analysis)

Gambartersebutmemperlihatkanbahwa diagram jalurdari 3 variabeleksogendan 1 variabel endogen. Persamaanstrukturaldiagrajalurdiatasyaitu:

Y= PY.X1.X1 + PY.X2.X2 + PY.X3.X3 + e


Sesi 3

  • AnalisisJalur (Path Analysis)

  • Langkahanalisis: analyzeCorrelateBivariate…


Sesi 3

  • AnalisisJalur (Path Analysis)

  • Two-tailed (ujiduasisi) digunakanuntukmenguji test of significant dengan 2 sisi. Selainitujugadigunakandalamkondisibelumdiketahuibentukhubunganantarvariabel.

  • One-tailed(ujisatusisi) digunakanuntukmenguji test of significant dari 2 variabel, tetapitelahdiketahuiadanyakecenderunganhubungannegatifataupositifdiantaraduavariabel yang berhubungan.


Sesi 3

  • AnalisisJalur (Path Analysis)


Sesi 3

  • AnalisisJalur (Path Analysis)

  • Matrikskorelasiantarvariabeldarihasilsebelumnya:


Selanjutnya mencari koefisien jalur dengan cara analyze regression pilih submenu linear

  • AnalisisJalur (Path Analysis)

Selanjutnyamencarikoefisienjalurdengancara: analyzeregressionpilih submenu Linear…


Sesi 3

  • AnalisisJalur (Path Analysis)

  • Tabel. hubungan X1,X2,X3 terhadap Y

  • Terlihattabeldiatashubunganvariabel X1,X2 dan X3 terhadap Y sebesar 60,1% artinyahubungantersebutkuatpositif.


Sesi 3

  • AnalisisJalur (Path Analysis)

Hipotesis yang berkaitandenganvariabel X1,X2,X3 dan Y sebagaiberikut:

H0: X1,X2,X3 tidakmempengaruhisecarasignifikan Y

H1: X1,X2,X3 mempengaruhisecarasignifikan Y

Tabeldiatasmenunjukkanbahwanilai sig.=0,000 < 0,05 (tarafsignifikan), artinya H0 ditolaksehinggavariabel X1,X2,X3 mempengaruhisecarasignifikanvariabel Y.


Sesi 3

  • AnalisisJalur (Path Analysis)

Sig.=0,003 <0,05 , artinya X1 berpengaruhsecarasignifikan Y

Sig.=0,008<0,05, arinya X2 berpengaruhsecarasignifikan Y

Sig.=0,378>0,05, artinya X3 tidakberpengaruhsecarasignifikan Y


Sesi 3

  • AnalisisJalur (Path Analysis)

Karena X3 ke Y tidakbermaknamakavariabel X3 dikeluarkandan diagram jalurdiperbaikimenjadi:

PY.X1

X1

Y

rX1X2

X2

PY.X2

Gambar .Hubungan structural antara X1,X2 dan Y


Sesi 3

  • AnalisisJalur (Path Analysis)

Gambartersebutmemperlihatkanbahwa diagram jalurdari 2 variabeleksogendan 1 variabel endogen. Persamaanstruktural diagram jalurdiatasyaitu:

Y= PY.X1.X1 + PY.X2.X2 + e

Lakukanperhitunganulang:


Sesi 3

  • AnalisisJalur (Path Analysis)

  • Hasil /keluarandarimasukkandiatas:


Sesi 3

  • AnalisisJalur (Path Analysis)

Tabeldiatasmenunjukkanhubungan X1, X2 berhubungansebesar 60,5% kuatpositif.


Sesi 3

  • AnalisisJalur (Path Analysis)

Hipotesis yang berkaitandenganvariabel X1,X2,X3 dan Y sebagaiberikut:

H0: X1,X2 tidakmempengaruhisecarasignifikan Y

H1: X1,X2 mempengaruhisecarasignifikan Y

Tabeldiatasmenunjukkanbahwanilai sig.=0,000 < 0,05 (tarafsignifikan), artinya H0 ditolaksehinggavariabel X1,X2 mempengaruhisecarasignifikanvariabel Y.


Sesi 3

  • AnalisisJalur (Path Analysis)

Nilai sig.=0,001<0,05, artinya X1 mempengaruhisecarasignifikan Y

Nilai sig.=0,007<0,05, artinya X2 mempengaruhisecarasignifikan Y

  • Persamaan struktural diagram jalur diatas yaitu: Y= PY.X1.X1 + PY.X2.X2 + e ; PY.X1=0,609 , PY.X2=0,444 danPY.e = e= =0,5949


Sesi 3

  • AnalisisJalur (Path Analysis)

X1

0,609

0,145

Y

X2

0,444

Besarnyapangaruhsecaraproporsional:

Pengaruh X1:

Pengaruhlangsung = PY.X1 * PY.X1 = 0,609*0,609= 0,371

Pengaruhmelaluihubungankorelatifdengan X2 = PY.X1 * rX1.X2 * PY.X1

= 0,609*0,145*0,444 =0,039

Pengaruh X1 ke Y secara total = 0,371 + 0,039 = 0,410


Sesi 3

  • AnalisisJalur (Path Analysis)

Pengaruh X2:

*Pengaruhlangsung = PY.X2 * PY.X2 = 0,444*0,444= 0,197

*Pengaruhmelaluihubungankorelatifdengan X2 = PY.X2 * rX1.X2 * PY.X1 = 0,444*0,145*0,609 =0,039

*Pengaruh X1 ke Y secara total = 0,197 + 0,039 = 0,236

Dari perhitungandiatasterlihatbahwapengaruh X1 ke Y lebihbesardaripadapengaruh X2 ke Y (41,0% dan 23,6%). JugadapatdilihatdaritabelCoefficientsauntukkolom t yaituthitung X1 = 4,180 > thitung X2 = 3,045.


Sesi 3

  • AnalisisJalur (Path Analysis)

PengaruhGabungan:

Pengaruhgabungan X1 dan X2 ke Y adalah 0,410 + 0,236 = 0,646 (64,6%) sesuaidengantabel model summary untukkolom R2Y.(X1.X2). Besarnyapengaruhproporsional yang disebabkanolehvariabellainnyadiluarvariabel X1 dan X2, dinyatakandengan P2Y.e = (0,5949)2 = 0,3539 atausebesar 35,39%.

Besarnyasemuapengaruh yang diterimaolehvariabel Y dari X1 dan X2, sertasemuavariabeldariluar X1 dan X2 adalah 0,646 + 0,354 =1 (100%).


Sesi 3

SESI 3

  • Statistika Non-Parametrik

    • AnalisisJalur (Path Analysis)

  • AnalisisFaktor

    • AnalisisDiskriminan

Oleh : M. HavizIrfani, S.Si, MTI


Sesi 3

  • AnalisisFaktor

Analisisfaktoradalahsuatuanalisis data yang digunakanuntukmengetahuifaktor-faktor yang dominandalammenjelaskansuatumasalah.

Contoh: suatustudiinginmengetahuifaktor-faktordominan yang menentukankeberhasilanpenerapanteknologi ERP. adasekitar 20 peubahbebas yang digunakanuntukmenentukanhaltersebut.


Sesi 3

  • AnalisisFaktor

Analisisfaktorakanmenentukanfaktor-faktorapasajadarike 20 peubahtersebut yang merupakanfaktor-faktordominandalammenentukankeberhasilannya.

Dalamanalisisfaktor, tidakadavariabeldependendanindependen.

Analisisfaktorjugadigunakanuntukmenemukanhubungansejumlahvariabel yang bersifat independent dengan yang lain atau dependent dengan yang lain.


Sesi 3

  • AnalisisFaktor

analisisfaktordapatdigunakanuntukmengetahuipengelompokanindividuberdasarkankarakteristiknya, maupununtukmengujivaliditaskonstrukberdasarkansifat-sifat:

1. Mampumenerangkansemaksimalmungkinkeragaman data,

2. Faktor-faktortersebutsalingbebas, dan

3. Tiap-tiapfaktordapatdiinterpretasikan.


Sesi 3

  • AnalisisFaktor

Langkahatauprosedurpenggunaananalisis factor eksploratoriselalumemprosesmelalui 4 tahap, yaitu:

  • Perhitungankorelasimatriksuntuksemuavariabel,

  • Ekstraksifaktoruntukmenentukanjumlahfaktor,

  • Rotasi, untukmembuatfaktorlebihbermakna, dan

  • Perhitunganskorsetiapfaktoruntuksetiap case.


Sesi 3

  • AnalisisFaktor

Adapunhipotesauntuksignifikansiadalah :

  • Ho : sampel (variabel) belummemadaiuntukdianalisislebihlanjut

  • H1 : sampel (variabel) sudahmemadaiuntukdianalisislebihlanjut

    Sedangkankriteriadalammelihatsignifikansiadalah : Sig. > 0,05, maka Ho diterimadan Sig < 0,05, maka Ho ditolak.


Sesi 3

  • AnalisisFaktor

MenjalankanProsedurAnalisisFaktor

Untukpenghitungananalisisfaktorinitahapannyasebagaiberikut:

  • Pilih file Data analisisfaktor 1.sav

  • Pilih menu Analyze, lalupilih Dimension Reduction danpilih Factor


Pilih descriptives continue dan ok

  • AnalisisFaktor

PilihDescriptives…Continue dan OK

KMO adalahsebuahindeksuntukmembandingkanbesarnyanilaikoefisienkorelasi yang diamatiterhadapbesarnyakorelasiparsial.


Sesi 3

  • AnalisisFaktor

Selainituperludiperhatikanangka KMO atau MSA (Measure of Sampling Adequacy), yaituberkisar 0 sampai 1 dengankriteria :

  • MSA = 1; variabeltersebutdapatdiprediksitanpakesalahanolehvariabel lain

  • MSA > 0,5; variabelmasihbisadiprediksidanbisadianalisislebihlanjut

  • MSA < 0,5; variabeltidakdapatdiprediksidantidakdapatdianalisislebihlanjut, atauharusdikeluarkandarivariabellainnya.

    atau:

  • Besarnya KMO adalahbilabesarnya 0,90 bagussekali (marvelous), 0,80 bermanfaat (meritorious), 0,70 sedang/ cukup(middling); 0,60 sedikitcukup (mediocre), 0,50 gawat/ menyedihkan (miserable), dandibawah 0,50 tidakdapatditerima (unacceptable).


Sesi 3

  • AnalisisFaktor

Dalam menu Extraction berisikanberbagaitoolsuntukmelakukanprosesekstraksivariabel (factoring). PadabagianMethodtetapkanpadapilihanPrincipalComponents (pilihaninisudah default). Kemudianuntukbagian Analyze tetappadapilihan Correlation Matrix; aktifkanunrotated factor solutiondanScree plot padabagian Display; sedangkaneigen values over tetappadaangka 1 danMaximum iteration, jugatetappadaangka 25. abaikanbagian yang lain dantekantombolContinueuntukkembalike menu utama.


Sesi 3

  • AnalisisFaktor


Sesi 3

  • AnalisisFaktor

Nilai diagonal matriks anti-image Correlation >0,5, danbanyakkoefisienkorelasiparsial yang negatif. Untukmempertimbangkankembalitepatatautidakmenggunakananalisisfaktor.


Sesi 3

  • AnalisisFaktor

Nilaicommunalitiesinisamapengertiannyadengannilaikoefisiendeterminasi (pada model regresi). Ekstraksimerupakanhubunganantarafaktor-faktordanvariabelindividu. Misalnilai 82,9%, makavariansdarivariabeltersebutdapatdijelaskanolehfaktor yang terbentuk. Semakinbesarcommunitiesmakasemakinerathubungannyadenganfaktor yang terbentuk.


Sesi 3

  • AnalisisFaktor

faktor yang terbentuksebanyak 2 faktor, denganmasing-masingmempunyainilaieigen values 2.271 dan 1.024. berarti faktor-1 beranggotakan 2.271 variabeldan faktor-2 beranggotakan 1.024 variabel (faktor yang mempunyainilaieigenvalues < 1, berartitidakmempunyaianggotavariabelpembentukfaktor).


Sesi 3

Tabel Component Matrix diatasmenunjukkannilailoading factormasing-masingvariabelterhadapfaktor. Loading Factoradalahnilai yang menunjukkanhubungan (korelasi) suatuvariabelterhadapfaktor.


Sesi 3

  • AnalisisFaktor

Apabilasuatuvariabelmempunyainilai loading factor terbesarpadafaktortertentu (dibandingfaktorlainnya), makavariabeltersebutakanmenjadianggotaataupembentukfaktortersebut.

Nilai loading faktor yang disarankansebagaipenentukomponenfaktoryaitusetidaknyabernilai 0,7 (korelasi ≥ 0,7). Hal inisesuaidenganpendefinisiankoefisienkorelasibahwa (0,7 ≤ r <0,9) dikatakanbahwaadanyahubungan yang kuatantarvariabel yang diteliti.


Sesi 3

  • AnalisisFaktor

Faktor 1: K5,K3, dan K4

Faktor 2: K2 dan K1

Prosesintidarianalisisfaktoradalahmelakukanekstraksiterhadapsekumpulanvariabel yang ada, sehinggaterbentuksatuataulebihfaktor. Setelahsatuataulebihfaktorterbentuk, dengansebuahfaktorberisisejumlahvariabel,mungkinsajasebuahvariabelsulituntukditentukanakanmasukdalamfaktor yang mana. Ataujika yang terbentukdariprosesfactoringhanyasatufaktor, bisasajasebuahvariabeldiragukanapakahlayakdimasukkandalamfaktor yang terbentukatautidak. Untukmengatasihaltersebut, bisadilakukanprosesrotasipadafaktor yang terbentuksehinggamemperjelasposisisebuahvariabel, akankahdimasukkanpadafaktor yang mana.


Sesi 3

SESI 3

  • Statistika Non-Parametrik

    • AnalisisJalur (Path Analysis)

  • AnalisisFaktor

    • AnalisisDiskriminan

Oleh : M. HavizIrfani, S.Si, MTI


Sesi 3

  • Salahsatuteknikstatistik yang digunakanpadahubungandependensi (hubunganantarvariabelmanavariabelrespon (data kualitatif) danmanavariabelpenjelas (data kuantitatif)

  • Bertujuanuntukmengklasifikasikansuatuindividuatauobservasikedalamkelompoksalingbebasdanmenyeluruhberdasarkanvariabelpenjelas.


Sesi 3

  • AnalisisDiskriminan

AnalisisDiskriminanjugadigunakanuntukmemodelkansuatuhubunganantaravariabeldependen yang berdatakategoridenganbeberapavariabelindependen (prediktor).

Analisisinijugadigunakanuntukmengelompokkansetiapobjekkedalamduaataulebihkelompokberdasarkanpadasejumlahkriteriavariabelindependen.


Contoh

Contoh :

Di sebuahlaboratoriumdilakukanpenelitianuntukmengetahuiapasaja yang membedakanbunga A danbunga B yang masihsatu species. Untukitu, diambilsampelbunga A dan B masing-masingsebanyak 10 buah.

Keduabungadihitunglebarkelopaknya (X1)danlebardaunnya (X2). Diketahuijugabahwakeduabungadapatdijadikan indikator derajat keasaman suatu zat (pH), maka diteliti juga pada trayek pH berapasajakeduabungasensitifuntukmendeteksinya(X3).


Variabel yang digunakan

Variabel yang digunakan:

Variabeldependen (Y): 0=bunga A

1=bunga B

Variabelindependen: X1=lebarkelopaknya

X2=lebardaunnya

X3=sensitifuntuk

mendeteksinya(X3).


Sesi 3

  • AnalisisDiskriminan

Langkah-langkah:

Buka file data analisisdiskriminan

1.Pilih menu Analyze

2. PilihClassify

3. PilihDiscriminant

4. Masukkanvariabelbebaspadakolomindependen

5. Masukkanvariabel group kekolomgrouping variabel

6. KlikDefine Range, isikan angka1 dan angka2

7.Klik tombolstatistics, klikmeans, univariate ANOVA, Box’s M,Unstandardized,continue

8. KliktombolClassify,klikCasewise result, summary table

9. ContinuedanOK


Sesi 3

  • AnalisisDiskriminan

5. Masukkanvariabel group kekolomgrouping variabel

6. KlikDefine Range, isikan angka1 dan angka2

1.Pilih menu Analyze

2. PilihClassify

3. PilihDiscriminant

4.Masukkan variabelbebaspadakolomindependen


Sesi 3

  • AnalisisDiskriminan

7. Kliktombolstatistics, klikmeans, univariate ANOVA,

Box’s M,Unstandardized,

continue

KliktombolClassify,klikCasewise result, summary table


Sesi 3

  • AnalisisDiskriminan

Menggambarkan rata-rata danstandardeviasidaritiapkelompok per karakteristik. Kelompok 1.0000 memiliki rata-rata persepsilebihpositif .


Sesi 3

  • AnalisisDiskriminan

Mengidentifikasifaktor-faktor yang signifikanmembedakanantaraduakelompoktersebutdigunakanWilks' Lambda dan F. Wilks' Lambda berkisar 0 s/d 1.

Mendekatinol, artinyasemakinsignifikankaraktertersebutmembedakanantaraduavariasikelompok.

Jikasemakindekatdengan 1 makavariasi data untukkarakteristiktersebutcenderungsama


Sesi 3

Hipotesis:

H0: Tidakadaperbedaanantara group/kelompok

H1: Terdapatperbedaanantara group/kelompok

Untuk F test:

Sig. > 0,05, artinyatidakadaperbedaanantara group

Sig. < 0,05, artinyaterdapatperbedaanantara group

Untuk X1 sig.=0,00<0,05, tolak H0

Untuk X2 sig.= 0,00<0,05, tolak H0

Untuk X3 sig.=0,049<0,05,tolak H0


Sesi 3

  • AnalisisDiskriminan

Salahsatuasumsi yang harusdipenuhidalamanalisisdiskriminanadalahhomogenitasvarians.

Hipotesis:

H0: variansantaraduakelompok data identik/homogen

H1:varians antaraduakelompok data tidakidentik/heterogen

Terlihatdaritabelnilai sig.=0,000<0,05

Ternyata H0 ditolak. Artinyavariansantaraduakelompoktidaksama.


Sesi 3

  • AnalisisDiskriminan

Digunakanuntukmengukurderajathubunganantarahasildiskriminanskordengankelompokbungaataubesarnyavariabilitas yang mampudijelaskanolehvariabelindependenterhadapvariabeldependen.

Jika (0,973*0,973) =0,946729; artinya 94,6729% variansdarivariabeldependen (kelompokbunga) dapatdijelaskandari model diskriminan yang terbentuk.


Sesi 3

  • AnalisisDiskriminan

Terlihatdaritabelnilai sig.=0,000<0,05

Ternyata H0 ditolak. Artinyaadaperbedaansignifikanantarkelompokbungapada model diskriminan.


Sesi 3

  • AnalisisDiskriminan

Z= -15,256 + 1,893.X1+0,381.X2+0,146.X3

Model diatasdigunakanuntukmenghasilkandiskriminan score untukmemprediksipengklasifikasianbunga.


Sesi 3

  • AnalisisDiskriminan

Menentukan critical cutting score:

nilai critical cutting score

Jmlsampeldalamgrup A

Jmlsampeldalamgrup B

Nilaicentroiduntukgrup A

Nilaicentroiduntukgrup B


Sesi 3

  • AnalisisDiskriminan

Z= -15,256 + 1,893.X1+0,381.X2+0,146.X3= -4,97060372

UntukselengkapnyadapatdilihatpadatabelCasewise StatisticskolomCasewise Statistics


Sesi 3

  • TerimaKasih, Salam….


  • Login