Pada pembahasan yang lalu kita sudah mengenal beberapa tools statistik yang dapat digunakan oleh para peneliti atau data master yang dapat sangat membantu dalam proses analisis data yang dimiliki. Mungkin dari kita memiliki kecenderungan sendiri dalam memilih software statistik, apakah itu karena kemudahan, kekhususan atau terlihat keren. Yang paling mendasar dari semuanya adalah software tersebut singkron dengan pemahaman mendasar atas teori statistik yang dijadikan acuan bagi peneliti atau data master dalam menganalisis data. Hal ini akan sangat membantu peneliti atau data master dalam pengaplikasian software yang digunakan yang sesuai dengan kebutuhan yang hendak dicapai, sehingga dengan adanya software tidak menambah kebingungan dalam pengaplikasiannya, akan tetapi mengotimalkan capaian hasil analisis yang hendak dicapai oleh peneliti atau data master tersebut. Eviews!

Mungkin dari semua software statistik yang ada, para peneliti atau data master sangat familiar dengan SPSS, software yang relatif sederhana dalam pengoperasiannya dan tampilan output yang user friendly juga. Berdasarkan pengalaman, penggunaan software statistik sebaiknya turut didasarkan pada spesifikasi atau spesialisasi dalam kegunaannya, sebagai misal LISREL, AMOS atau SmartPLS memiliki kekhususan dalam mengolah data berupa pemodelan (PATH atau SEM), GWR4 atau GeoDa memliki  kekhususan dalam mengolah data yang melibatkan keruangan (Spasial), sekalipun Microsoft Excel dilengkapi dengan menu-menu analisis statistik akan tetapi pemanfaatannya lebih banyak pada operasional perhitungan manual. Jadi, ada baiknya prioritaskan pilihan kita pada software yang memiliki kekhususan tertentu terhadap analisis agar didapat juga output yang lengkap dan menjawab.

Nah pada kesempatan kali ini, kita akan sedikit banyak mengenalkan salah satu software yang memiliki keunggulan dalam pengolahan data deret waktu yaitu Eviews. Meskipun pengolahan data deret waktu dapat juga dilakukan dengan menggunakan software SPSS atau MINITAB, akan tetapi dalam Eviews didapati banyak keunggulan. Dan secara pengoperasionalannya akan kita bahas pada beberapa artikel kedepan. Pada kesempatan kali ini akan kita coba kenalkan rupa dan penampakan lingkungan dari software Eviews, sebagai berikut.

Operasionalisasi Eviews

1. Pastikan aplikasi Eviews telah terisntal didalam komputer yang kita miliki seperti tampak pada gambar berikut. Untuk memulai menggunakan Eviews kita klik icon Eviews tersebut.

2. Setelah di klik maka akan terlihat tampilan jendela Eviews seperti gambar berikut. Tampilan tersebut berisikan menu-menu pengoperasian Eviews dan field dimana variabel-variabel yang akan digunakan dalam analisis tampak.

3. Jika kita sudah memiliki file yang akan digunakan dalam aplikasi Eviews untuk membukanya, kita klik menu File, Open, Eviews Workfile, seperti tampak pada gambar berikut. Pilih file yang akan digunakan lalu klik Open maka file tersebut siap digunakan oleh Eviews.

4. Untuk dapat melihat isi dari data yang sudah kita masukan kedalam software Eviews, kita dapat mengklik icon variabel yang terdaftar pada jendela Eviews seperti tampak pada gambar berikut.

5. Dari tampilan data pada poin 4, kita dapat melakukan berbagai uji statistik dengan pengklik menu View di sudut kiri atas jendela data yang kita klik, seperti tampak pada gambar berikut.

Input Data Pada Eviews

 Setelah pada pembahasan di atas kita mengetahui secara sepintas cara pengoperasian Eviews dan tampilan jendela Eviews, pada bagian ini kita akan jelaskan secara lebih jelas cara pengoperasioan Eviews pada bab penginputan data dengan cara Import Data. Seperti kita ketahui sebelumnya bahwa Eviews sangat bermanfaat dalam pemrosesan data dalam bentuk data deret waktu atau time series, oleh karenanya kita harus memastikan pendefinisian waktu dari data yang kita miliki agar memudahkan proses pendefinisian dan proses import pada software Eviews.

1. Persiapkan data yang kita miliki pada microsoft Excel seperti tampak pada gambar berikut. Pastikan data yang kita miliki sudah terdefinisikan secara waktu (jika data deret waktu).

2. Klik File, New, Workfile…, sehingga di layar akan tampak gambar sebagai berikut.

3. Ada 3 s.d 4 isian field yang harus kita definisikan pada data yang kita miliki diantaranya field Work Structure Type : menjelaskan data yang kita miliki apakah Unstructured/Undated, Dated-Regular Frequency dan Balanced-Panel, pada isian ini disesuaikan format data yang kita miliki. Field Panel Specifications : menjelaskan format waktu yang kita miliki apakah tahunan, bulanan, harian, dsb. Pada isian Start Date, isikan awal waktu data yang kita miliki dan End Date, isikan akhir waktu data yang kita miliki, pada isian ini dapat diisikan satuan waktu hingga satuan terkecil dari data waktu yang dimiliki (jam, menit, detik) jika kita memiliki data Intraday yang didefinisikan pada field Intraweek/Intraday Range. Secara lebih jelas tampak pada gambar berikut ini.

Gambar 1. Workfile dengan Tipe Data Unstructured / Undated (Cross Sectional)

Gambar 2. Workfile dengan Tipe Data Dated (Time Series)

Gambar 3. Workfile dengan Tipe Data Dated (Time Series-Intraday/Intraweek)

Gambar 4. Workfile dengan Tipe Data Balanced Panel (Data panel)

4. Setelah kita mendefinisikan data yang kita miliki pada jendela Workfile, setelah kita klik OK maka akan terlihat jendela Eviews seperti tampak pada gambar berikut. Sampai tahapan ini kita belum memiliki data apapun. Akan tetapi pada poin 2 kita sudah mendefinisikan data yang akan kita import kedalam Eviews. Pada jendela Eviews akan terlihat lambang B dan huruf c, yang merupakan konstanta serta resid atau residual, yang didalam statistik sering disebut sebagai residual atau error.

5. Klik menu File, Import, Impor from File. Pada tahapan ini kita akan mengimport data yang sebelumnya sudah kita miliki pada file Excel. Sehingga ketika kita masukan kedalam Eviews akan terlihat seperti gambar berikut.

6. Setelah kita berhasil memasukan data yang akan kita proses kedalam Eviews, maka tampilan akhir jendela Workfile yang sudah berisikan data yang sudah siap proses seperti tampak pada gambar berikut.

7. Untuk melakukan dan memastikan data yang kita masukan kedalam Eviews sudah benar maka kita hanya tinggal mngklik pada icon nama variabel yang kita definisikan pada data kita. Ketika di klik maka akan muncul gambar sebagai berikut.

8. Untuk mengamankan hasil entry data yang kita miliki kedalam Eviews maka lakukan penyimpanan SAVE, sesuai dengan nama file kerja yang kita kehendaki.
9. Dari tampilan data pada poin 6, kita dapat melakukan berbagai uji statistik dengan pengklik menu View di sudut kiri atas jendela data yang kita klik, seperti tampak pada gambar berikut.

Langkah awal yang sangat menentukan dalam menggunakan software Eviews adalah pendefinisian data penelitian yang dimiliki oleh peneliti atau data master. Tidak seperti software lainnya yang memang memiliki kekhasan dan kekhususan tersendiri pada software Eviews, beberapa penjelasan yang sudah di sampaikan sebelumnya semoga sedikit memberikan kejelasan terkait alur dan gambaran penggunaan software Eviews. Secara prinsip cara kerja dan output software (mis : SPSS) akan menghasilkan hasil yang sama (mis : analisis regresi). Yang membedakan hanyalah hal teknis penggunaan menu pada software itu sendiri. Pada kesempatan lainnya kita akan membahas beberapa penggunaan metode statistik (mis : Regresi, Analisis Data Deret Waktu, dll) dengan menggunakan Eviews. SEMANGAT MENCOBA!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Pada pembahasan yang lalu kita sudah banyak membahas tentang satu metode analisis dalam rumpun multivariat yaitu analisis diskriminan. Secara sederhana pemahaman terhadap analisis diskriminan, layaknya kita memahami analisis regresi. Perbedaannya diantaranya terletak pada penggunaan populasi yang lebih dari satu pada diskriminan dan pemungsian variabel  dalam pembentukan model linear sebagai faktor pembeda yang signifikan antar 2 atau lebih populasi dimana data di ambil dan dianalisis. Sedang pada regresi kita membentuk model linear atas satu populasi dan mencari variabel signifikan pada populasi tersebut atas dasar kausalitas antar variabel yang diteliti.

Setelah kita memastikan diri bahwa kita paham konsepsi dan penggunaan diskriminan pada data yang kita miliki (baca artikel : analisis diskriminan), pada kesempatan kali ini kita akan membahas pembentukan persamaan linear pada analisis diskriminan dengan menggunakan software SPSS.  Adapun tahapan penggunaan software SPSS untuk analisis diskriminan akan dipaparkan pada pemaparan berikut.

1. Persiapkan data yang akan dianalisis pada microsoft excel seperti tampak pada gambar berikut. Seperti kita sudah pahami bahwa data yang akan di analisis merupakan data dua atau lebih populasi yang berbeda.

2. Setelah kita mendefinisikan data seperti pada tahap 1, buka software SPSS seperti tampak pada gambar berikut. Masukan data dalam file excel ke dalam software SPSS sehingga data siap untuk di analisis dengan menggunakan analisis diskriminan pada SPSS.

3. Klik menu Analyse pada SPSS dan pilih pada menu Classify kemudian klik pada menu Discriminant, seperti tampak pada gambar berikut. Definisikan variabel-variabel yang akan dianalisis pada kolom pendefinisian variabel pada menu analisis diskriminan pada SPSS.

4. Proses pendefinisian variabel pada SPSS, seperti tampak pada gambar berikut. Pada kolom Grouping Variabel isikan variabel yang difungsikan sebagai pengkategorian variabel berdasarkan atas populasinya. Pada kolom Independents isikan variabel yang dijadikan acuan dalam pengelompokan dan pembentukan fungsi diskriminan. Lalu pilih metode yang akan digunakan dalam pembentukan fungsi diskriminan apakah Enter atau Stepwise.

5. Setelahnya kita akan mendefiniskan output apa saja yang kita harapkan dalam analisis diskriminan yang diproses melalui SPSS. Klik pada menu Statistics seperti tampak pada gambar berikut. Centang pada semua pilihan output yang kita harapkan untuk dapat dijadikan acuan dalam evaluasi model fungsi diskriminan (based teori rujukan dan pemahaman) yaitu pada menu Descriptives, Matrices dan Function Coefficients. Setelahnya klik Continue.

6. Klik pada menu Method jika pada point 4 kita memilih metode Stepwise dalam pembentukan fungsi diskriminan. Pada menu ini kita definisikan kriteria pada proses stepwise (based teori rujukan dan pemahaman). Setelahnya klik Continue.

7. Jika kita memilih metode Enter, maka pilihan menu kita langsung pada menu Classify, seperti tampak pada gambar berikut. Pada menu ini kita mendefinisikan kriteria dalam mengklasifikasikan dan output yang kita harapkan pada output SPSS. Sekali lagi beberapa pilihan didasarkan pada pemahaman terhadap kebutuhan peneliti dan teori yang menjadi rujukan peneliti. Setelahnya klik Continue.

8. Menu terakhir adalah Save, pada menu ini terdapat piihan output yang kita harapkan tersimpan pada SPSS Data Editor, seperti tampak pada gambar berikut. Beberapa diantaranya adalah nilai peluang dan pengelompokan pada grup populasi dari tiap data pengamatan berdasarkan atas fungsi diskriminan yang terbentuk. Selain itu dapat diperoleh juga skor dari fungsi diskriminan yang bisa difungsikan berdasarkan tujuan dari penelitian. Setelahnya klik Continue.

9. Untuk pemrosesan perhitungan model fungsi diskriminan berdasarkan pendefinisian-pendefinisian yang telah dilakukan sebelumnya, klik OK maka SPSS akan segera memproses. Beberapa output yang dihasilkan seperti tampak pada gambar berikut.

Ouput 1. Uji Beda Tiap Variabel Penelitian

Output 2. Uji Homogenitas Variabel Penelitian

Output 3. Uji Keberartian Fungsi Diskriminan

Ouput 4. Koefisien Fungsi Diskriminan

Output 5. Skor Diskriminan dan Prediksi Pengelompokan

Sangat penting bagi peneliti atau data master memahami konsepsi dari analisis diskriminan sebelum penerapannya pada software SPSS. Para pembaca yang menemukan artikel ini sebelum memahami konsep analisis diskriminan secara utuh, sangat disarankan membaca dan memahami terlebih dahulu konsep dari analisis diskriminan yang sudah kita paparkan pada artikel sebelumnya (baca artikel : Analisis Diskriminan). Hal ini ditujukan agar memudahkan para pembaca dalam memahami alur analisis yang diperlukan dari analisis diskriminan itu sendiri. SEMANGAT MENCOBA!!!

Sumber :

• Subhash Sharma, Applied Multivariate Technique

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Pada kesempatan yang lalu kita sudah banyak membahas kaitannya dengan analisis pengaruh antar variabel. Salah satu yang paling sederhana adalah analisis regresi baik itu sederhana maupun berganda. Seperti telah dijelaskan dalam pembahasan konsepsi dan pemenuhan asumsi klasik pada regresi, utamanya pada bahasan heteroskedastisitas bahwa munculnya varians antar pengamatan dapat dipengaruhi salah satunya adanya pengaruh keruangan atau spasial. Oleh karenanya mucul analisis regresi yang melibatkan konsep keruangan atau spasial sehingga muncul analisis regresi terboboti keruangan atau spasial (GWR).

Pembahasan pada konsepsi regresi spasial sudah kita paparkan pula pada artikel sebelumnya, bagi peneliti yang hendak memahami konsepsi regresi spasial beserta tahapannya bisa melihat pada artikel kita sebelumnya. Pun dengan pengenalan software pembantu dalam analisis regresi data spasial sudah kita perkenalkan secara tampilan menu yang dapat memudahkan peneliti atau data master dalam pengaplikasian data pada software GWR4.

Nah, pada kesempatan kali ini kita akan paparkan pengaplikasian langsung data pada software GWR4. Adapun yang perlu diperhatikan oleh para peneliti ataupun data master adalah pemilihan fungsi kernel (+bandwidth) yang cocok pada data yang dimiliki. Kasus yang muncul pada pengaplikasian data pada GWR4 adalah tidak tuntasnya pemrosesan data oleh GWR4 dikarenakan ketidakcocokan pilihan fungsi kernel (+bandwidth) pada data yang dimiliki oleh peneliti atau data master, sehingga pada output GWR4 tidak memunculkan output analisis secara menyeluruh.

Adapun tahapan pengaplikasian data pada software GWR4 sebagai berikut :

1. Buka file excel dengan format .csv, pastikan data yang dimiliki memuat titik koordinat keruangan yang menjadi acuan software dalam membentuk model regresi terboboti keruangan atau spasial, seperti tampak pada gambar berikut.

2. Siapkan software GWR4 yang akan digunakan dalam memprosesan data yang terformat .csv tadi seperti tampak pada gambar berikut. Pada Step 1: Data, untuk memgimport data yang akan digunakan dalam analisis, pada kolom File Path klik Browse dan pilih file yang akan digunakan dalam analisis. Pada menu format pilih Comma (CSV) dan klik Open. Untuk mengecek apakah data yang sudah kita import sudah masuk dalam software GWR4 maka klik View Data maka akan terlihat tampilan seperti gambar berikut.

3. Setelah memastikan data telah masuk dalam sistem software GWR4, setelahnya klik Step 2 : Model, seperti tampak pada gambar berikut. Pada tahap 2 ini kita mendefinisikan dan menempatkan variabel penelitian pada kolom menu software GWR4 sebagaimana pendefinisian pada maksud dan tujuan penelitian yang telah ditetapkan oleh peneliti. Nama-nama variabel yang tersedia dalam file data dituliskan dalam kotak Variable (Field) list.

4. Pada tahapan ini, pada grup Regression variables, masukkan variabel respon (Y) ke dalam kotak isian Dependent variable dan semua variabel bebas (X₁-X_n) ke dalam grup Independent variables pada kotak isian Local (L). Lalu pada tab Locational Variabel, isikan sebagai berikut: ID Key (optional) yaitu kode identitas dari masing-masing wilayah, X coordinate (Lon) variabel dari koordinat bujur dan Y coordinate (Lat) yaitu variabel dari koordinat lintang. Selanjutnya pilih pilihan Spherical karena kita menggunakan variabel bujur dan lintang sebagai posisi geografis suatu wilayah. Setelahnya pada kotak grup Option centang pada Geographical variability test untuk keperluan uji koefisien model yang didapat dan Standardization of independent variables jika ingin menstandarkan nilai-nilai observasi dari variabel bebas. Dan pilih pilihan Gaussian pada grup Model Type karena kita akan menggunakan model regresi linier GWR.
5. Setelah kita menentukan variabel dan model yang digunakan dalam pemrosesan data pada tahapan 3 dan 4, langkah selanjutnya klik Step 3 : Kernel, seperti tampak pada gambar berikut. Pada tahap 3 ini kita akan mendefinisikan jenis pembobot (Kernel Type) dan metode pemilihan bandwith optmimum (Bandwidth Selection Method) berdasarkan Selection Criteria yang akan digunakan pada model sesuai dengan teori dan tipe data yang dimiliki oleh peneliti atau data master. (noted : untuk memperjelas pemahaman baca artikel sebelumnya terkait fungsi kernel dan bandwidth)

6. Setelah pada tahap sebelumnya kita definisikan fungsi pembobot beserta kelengkapan fungsi pembobot pada model regresi spasial (GWR), maka pada tahap selanjutnya Step 4 : Ouput. Pada tahapan ini kita akan mendefinisikan output proses data dengan GWR4 berupa lokasi penyimpanan file output yang kita kehendaki dengan mengklik tombol Browse untuk menentukan lokasi penyimpanan file output, seperti tampak pada gambar berikut. (dua output yang dihasilkan : pada software GWR4 dan microsoft excel)

7. Tahapan akhir pada software GWR4 adalah Step : Execute, tahapan untuk memulai pemrosesan data (estimasi model regresi spasial) dengan komponen spasial beserta metode-metode yang telah didefinisikan pada tiap tahapan sebelumnya, dengan mengklik tombol Execute This Session dan untuk melihat hasil berdasarkan titik koordinat klik tombol View The Parameters Estimates seperti tampak pada gambar berikut.

8. Pada tahapan akhir pemrosesan data oleh GWR4 terdapat beberapa informasi output yang didapatkan diantaranya :

• Pada menu output utama terdapat hasil yang difungsikan sebagai pembentukan persamaan regresi spasial secara general (nilai koefisien regresi spasial), nilai bandwidth optimum, nilai R square dan uji kebaikan model regresi spasial (model GWR dan dengan model OLS)
• Pada menu output hasil penyimpanan Step 4, diperoleh persamaan regresi spasial berdasarkan titik koordinat (wilayah) yang terdiri dari intercept, koefisien regresi, nilai standar error koefisien dan nilai t hitung koefisien, seperti tampak pada gambar berikut.

Hal yang perlu diperhatikan oleh peneliti atau data master adalah pemahaman secara utuh tentang analisis regresi dan pengujian asumsi klasik pada regresi, sebelum melangkah pada analisis regresi spasial. Sedangkan pada penggunaan regresi spasial itu sendiri diharapkan peneliti memahami secara utuh pula konsep pembobotan (fungsi kernel dan bandwidth) karena yang membedakan konsepsi regresi OLS dengan GWR terletak pada konsep dan fungsi pembobotannya. Jika peneliti atau data master sudah menguasai konsep-konsep tersebut, dapat membantu memudahkan dalam pengaplikasian pada software GWR4. SEMANGAT MENELITI.

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Pada kesempatan yang lalu kita sudah praktekan cara membangun model faktor konfirmatori dan pembentukan model SEM dengan menggunakan software LISREL. Jika kita review ulang bahwa SEM terdiri dari penggabungan beberapa metode analisis statistika sekaligus diantaranya adalah regesi, analisi jalur dan analisis faktor konfirmatori. Bahwa variabel tidak dapat diukur secara langsung (model struktural) maka variabel-variabel tersebut diukur melalui variabel manifestnya (model pengukuran).  Dan kesemua konsep tersebut dilakukan pemrosesannya dengan bantuan software LISREL.

Kurang lengkap rasanya jika kita tidak membahas proses pemodelan analisis jalur (model struktural dalam SEM) dengan menggunakan software LISREL. Secara garis besar prosesnya tidak jauh beda dengan proses pemodelan SEM. Mungkin saja artikel ini bisa digunakan sebagai pembanding hasil jika kita melakukan proses analisis jalur dengan menggunakan SPSS. Benefit utama jika kita menggunakan LISREL dalam pengolahan data untuk analisis jalur adalah kita tidak perlu secara manual menggambar pola jalur untuk kebutuhan interpretasi hasil, akan tetapi akan dihasilkan gambar pola jalur beserta koefisien dan signifikansi secara langsung pada output gambar yang LISREL sediakan. (sama halnya dengan output jika kita mengolah data CFA atau SEM).

Berikut kita uraikan tahapan penggunaan software LISREL untuk keperluan analisis jalur (path analysis) sebagai berikut :

Transfer Data Mentah

1. Buka program LISREL, lalu klik File, sehingga tampil kotak dialog berikut :

2. Klik Import Data, sehingga muncul tampilan berikut:

3. Pada menu List file of type pilih .sav dan pada menu Drives tempat menyimpan data SPSS untuk dimasukan ke dalam LISREL

4. Klik OK, maka dilayar monitor akan tampil berikut :

5. Pada menu utama, klik Data, pilih Define Variables, maka dimonitor akan tampil kotak dialog sebagai berikut :

6. Blok semua variabel seperti tampil kotak dialog berikut:

7. Selanjutnya klik Variable Type maka dilayar akan muncul tampilan berikut :

8. Plih Continous dan Aplly to all, kemudian klik OK. Sekarang telah lengkap data ditransfer ke program LISREL.

Komputasi Matriks Korelasi dan Uji Normalitas

1. Untuk memperoleh matriks korelasi dan uji normalitas, dari menu utama LISREL Windows Application, klik menu Statistics, pilih Output Options, sehingga muncul menu berikut :

2. Pada Moment Matrix pilih Correlations, pilih Save to File dan LISREL System Data, isikan nama file misal COR dan pilih Perform test of multivariate normality, seperti tampilan berikut :

3. Sekanjutnya klik OK, hasilnya adalah matriks korelasi langsung disimpan dalam file COR, sedangkan hasil uji normalitas ditunjukkan dalam keluaran sebagai berikut :

Membangun Diagram Jalur

1. Untuk membangun sebuah diagram jalur berdasarkan atas teori yang sudah ditetapkan sebelumnya dan sudah teridentifikasi klasifikasi jenis dari variabel-variabelnya, maka pada program LISREL pilih menu File lalu klik New, maka akan muncul tampilan jendela sebagai berikut :

2. Setelih dipilih menu Path Diagram kemudian klik OK maka akan muncul tampilan jendela kosong, lalu klik Setup untuk mengklasifikasikan variabel yang digunakan dalam model klik Variables. Perlu diperhatikan penggolongan variabel berdasarkan variabel independen dan variabel dependen yang digunakan dalam peneltian

3. Setelah semua variabel diklasifikasikan maka akan terlihat seperti pada jendela berikut ini dan siap untuk dibentuk menjadi model dalam diagram jalur.

4. Setelah semua variabel independen dan variabel dependen diklasifikasikan, klik Next untuk mendifinisikan sumber dan tipe data yang akan digunakan dalam pengolahan oleh program LISREL. Isikan pada Statistics from yaitu RAW Data atau Correlations. File Type yaitu PRELIS System Data dan pada File Name biarkan pilih file yang kita simpan .psf dan isikan jumlah sampel data pada Number of Observation. Jangan lupa Matrix to be analyzed pilih Correlations. Lalu klik OK.

5. Untuk proses pembuatan diagram jalur, kita tinggal men-drag atau menarik variabel-variabel yang ada pada daftar sebelah kiri ke jendela kosong sebelah kanan, lalu gunakan tools untuk membentuk korelasional atau jalur antar tiap variabel sesuai dengan kosep teoritisnya. Maka model diagram jalur yang sudah dibuat akan terlihat sebagai berikut :

6. Setelah seluruh variabel dipasangkan dengan dari variabel manifest ke masing-masing variabel latennya. Langkah selanjutnya adalah memproses diagram jalur dari data yang diinputkan dengan cara meng-klik gambar L (run Lisrel). Maka akan muncul jendela syntax program sebagai berikut :

7. Setelahnya klik kembali L (run Lisrel) maka akan muncul jendela berupa diagram jalur yang telah dilengkapi oleh program LISREL dengan nilai-nilai sepeti bobot faktor, koefisien jalur, erorr, t hitung. Seperti gambar berikut :

Koefisien Jalur

t-value

8. Dari hasil proses L (run Lisrel) tadi dihasilkan juga ouput Lisrel yang berisi hasil perhitungan secara lengkap baik itu statistik deskriptif, matriks korelasi, model koefisien path dan nilai-nilai GOF.

Dari hasil perhitungan data dengan menggunakan program LISREL di atas, dapat dikomparasikan dengan hasil perhitungan yang dihasilkan oleh software SPSS. Pastikan kedua hasil software menghasilkan hasil yang sama, jika berbeda, maka ada proses yang salah disalah satu software pengaplikasian data. SELAMAT MENCOBA!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Online Survey ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Kita lanjutkan pembahasan kita pada tools multivariate. Pada pembahasan terakhir kita sudah membahas secara komperhensif salah satu rumpun analisis multivariat yaitu analisis faktor eksploratori. Pada kesempatan kali ini kita akan membahas lanjutan salah satu tools lainnya yang termasuk dalam rumpun multivariat yaitu analisis diskriminan.

Jika kita sudah mengenal lebih dahulu konsep regresi yang salah satu tujuannya mengidentifikasi variabel X yang berpengaruh terhadap variabel Y pada suatu populasi, maka secara prinsip analisis diskriminan juga ditujukan pada tujuan yang serupa akan tetapi dalam perspektif populasi yang berbeda. Pada analisis diskriminan, konsepsi regresi tersebut diaplikasikan pada dua populasi yang berbeda yang dibentuk pada suatu model persamaan matematis yang sama. Sehingga pada analisis diskriminan salah satu tujuan utamanya adalah membentuk model persamaan matematis yang mengukur dependensi variabel, dimana variabel-variabel tersebut dapat menjadi pembeda yang sangat signifikan bagi populasi yang diperbandingkan.

Lebih lanjut akan kita bahasan secara konsepsi analisis diskriminan lebih lanjut pada bahasan berikut.

Konsep Umum

Pada dasarnya analisis diskriminan dapat dipergunakan untuk mengetahui variabel-variabel penciri yang membedakan kelompok-kelompok populasi yang ada dan juga dapat digunakan sebagai kriteria pengelompokan. Analisis diskriminan dilakukan berdasarkan perhitungan statistik terhadap kelompok yang terlebih dahulu diketahui secara jelas dan mantap pengelompokannya. Metode fungsi diskriminan pada awalnya dikembangkan oleh Ronald A. Fisher pada tahun 1936, sehingga fungsi diskriminan yang dibangun sering disebut pula sebagai fungsi diskriminan linear fisher.

Dalam sebuah paper yang berjudul “The Use of Multiple Measurements in Taxonomic Problems”, Fisher menyatakan bahwa apabila dua atau lebih populasi telah diukur dalam beberapa karakter X₁, X₂, … , X_p , maka dapt dibangun fungsi linear tertentu dari pengukuran itu di mana fungsi itu merupakan fungsi pembeda (pemisah) terbaik bagi populasi-populasi yang dipelajari. Fungsi linear yang dibangun disebut sebagai fungsi dikriminan.

Analisis Diksriminan Dua Kelompok

Semisal kita memiliki dua kelompok populasi yang bebas (independen). Dari populasi pertama diambil secara acak sampel berukuran n₁ dan mempelajari p buah sifat dari sampel tersebut. Kemudian dari populasi keduua diambil secara acak sampel berukuran  n₂ dan mempelajari p buah sifat dari sampel tersebut. Dengan demikian ukuran sampel secara keseluruhan dari populasi pertama dan kedua adalah n₁ + n₂ = n. Misalkan p buah sifat yang dipelajari dari masing-masing populasi dinyatakan dalam variabel acak berdimensi ganda melalui vektor X = (X₁, X₂, … , X_p).

Sebelum membangun fungsi diskriminan, maka kita perlu melakukan pengujian perbedaan vektor nilai rata-rata dari kedua populasi untuk mengetahhui apakah ada nilai rata-rata dari sifat yang dipelajari (p) berbeda. Oleh karena fungsi diskriminan pada dibangun untuk menerangkan perbedaan di antara populasi, maka seyogianya fungsi diskriminan baru akan dibangun apabila uji perbedaan vektor rata-rata (uji beda) di antara populasi menunjukkan hasil yang nyata secara statistik. Untuk menguji perbedaan vektor nilai rata-rata diantara dua populasi dapat menggunakan Statistik T² –Hotteling. Dengan hipotesis yang dapat dirumuskan sebagai berikut :

• H₀ : U₁ = U₂ ; artinya vektor nilai rata-rata dari populasi ke-1 sama dengan rata-rata dari populasi ke-2
• H₁ : U₁ ≠ U₂ ; artinya vektor nilai rata-rata dari populasi ke-1 dengan populasi ke-2 berbeda

Jika pengujian terhadap hipotesis di atas menolak H₀ maka hal ini menunjukkan bahwa kedua nilai rata-rata dari sifat yang dipelajari adalah berbeda, dengan demikian kita dapat membangun fungsi diskriminan untuk mengkaji perbedaan sifat-sifat yang ada diantara kedua populasi yang dipelajari. Jika keadaan sebaliknya berlaku, dimana hasil pengujian terhadap hipotesis di atas menerima H₀ maka fungsi diskriminan tidak layak untuk dibangun karena tidak ada perbedaan sifat-sifat di antara dua populasi yang sedang dipelajari.

Dengan demikian, kita boleh memandang bahwa pada dasarnya analisis diskriminan merupakan kelanjutan dari analisis perbedaan vektor nilai rata-rata dari kedua populasi yang dipelajari. Jadi dalam hal ini, fungsi diskriminan yang dibangun adalah untuk mencirikan perbedaan sifat-sifat yang ada dalam populasi. Dan dalam hal ini kita dapat membangun fungsi diskriminan linear Fisher.

Aturan Penggolongan Skor Diskriminan

Setidaknya terdapat dua cara penggolongan yang dapat dilakukan terhadap skor yang dihasilkan oleh fungsi diskriminan. Seperti yang telah kita uraikan sebelumnya bahwa salah satu dari fungsi analisis diskriminan adalah penggolongan suatu objek berdasarkan skor diskriminan yang dihasilkannya, termasuk pada kelompok populasi pertama ataukah populasi kedua. Berikut dua rumusan dalam pengkategorian skor diskriminan,

1. Penggolongan berdasarkan nilai rata-rata tengah antara dua populasi (m). Kriteria pertama, alokasikan individu (objek) dengan pengamatan X ke dalam kelompok (populasi) 1, jika Y₀ > m atau Y₀ – m > 0. Kriteria kedua, alokasikan individu (objek) dengan pengamatan X ke dalam kelompok (populasi) 2, jika Y₀ ≤ m atau Y₀ – m ≤ 0.
2. Penggolongan berdasarkan Statistic Wald-Anderson (W). Kriteria pertama, alokasikan individu (objek) dengan pengamatan X ke dalam kelompok (populasi) 1, jika W > 0. Kriteria kedua, alokasikan individu (objek) dengan pengamatan X ke dalam kelompok (populasi) 2, jika W ≤ 0.

Langkah-langkah Analisis Diskriminan

Setelah kita pahami fungsi atau kegunaan ataupun konsep dari analisis diskriminan pada penjelasan sebelumnya, ada baiknya kita coba urutkan kembali tahapan atau kriteria apa saja yang harus dilakukan oleh peneliti ataupun data master dalam melakukan analisis diskriminan, berikut kita coba resume beberapa tahapan atau kriterianya,

1. Fungsi diskriminan merupakan fungsi linear dari karakteristik (X) yang dibentuk dalam sebuah persamaan yang merupakan representasi dari 2 atau lebih populasi yang diperbandingkan.
2. Identifikasi terlebih dahulu sejumlah karakteristik (X) yang akan diperbandingkan dari 2 atau lebih populasi.
3. Uji beda T² –Hotteling untuk memastikan bahwa karekteristik (X) dari 2 atau lebih populasi yang diperbandingkan berbeda secara statistik.
4. Bentuk fungsi linear diskriminan Fisher : Y = aX₁ + bX₂ + … + zX_p.
5. Uji signifikansi karakteristik (X) dalam model diskriminan untuk memastikan bahwa karakteristik (X) dalam model diskriminan signifikan sebagai pembeda dari 2 atau lebih populasi.
6. Hitung nilai R² antara karakteristik (X) dengan fungsi diskriminan (Y) untuk mendapatkan besaran nilai kontribusi masing-masing karakteristik (X) pada model diskriminan yang terbentuk.
7. Proses iterasi (pengulangan perhitungan) jika dalam proses pembentukan model diskriminan didapati ada karakteristik (X) yang tidak signifikan bagi model diskriminan, sampai dipastikan karakteristik (X) yang tersisa pada model diskriminan merupakan karakteristik (X) yang signifikan.
8. Hitung skor diskriminan dan lakukan pengelompokan objek baru berdasarkan kriteria pengelompokan nilai rata-rata tengah (m) ataupun statistik Wald-Anderson (W).

Yang perlu diperhatikan oleh peneliti atau data master pada tahapan-tahapan di atas adalah pada poin 7. Proses perhitungan (jika dilakukan manual) dilakukan berulang dari proses awal perhitungan pembentukan model diskriminan, jadi perlu diperhatikan secara khusus, agar diperoleh model diskriminan yang optimal dalam membedakan 2 atau lebih populasi.

Pada kesempatan selanjutkan kita akan coba uraikan tahapan dalam melakukan analisis diskriminan dengan bantuan software SPSS, agar dapat melihat secara sederhana proses perhitungan fungsi dari model linear diskriminan pada data yang kita miliki. Sebagai catatan perlu dipahami secara benar tentang penggunaan dan fungsi dari analisis diskriminan, agar tidak terjadi kekeliruan pengaplikasian pada data yang dimiliki oleh peneliti atau data master. SEMANGAT MEMAHAMI!!.

Sumber :

• Subhash Sharma, Applied Multivariate Technique
• Vincent Gaspersz, Teknik Analisis Rancanangan Percobaan

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Pada bahasan analisis faktor eksploratori sebelumnya kita sudah banyak membahas terkait konsepsi, kegunaan dan fungsi dari analisis faktor eksploratori itu sendiri. Tahapan implementasi data pada software SPSS dalam menghasilkan faktor-faktor yang dimaksudkan juga sudah kita perlihatkan pada bahasan sebelumnya. Sehingga berharap apa yang sudah kita paparkan pada pembahasan sebelumnya dapat membantu para peneliti dalam proses memahami dan praktek pada data yang dimilikinya.

Beberapa pemahaman yang harus kita ulang-ulang bahwa ada kemiripan pada analisis faktor eksploratori dan analisis faktor konfirmatori (bahasan secara konsepsi narasi, tidak sebagai konsepsi matematis). Pada bahasan eksploratori perlakuan terhadapa variabel-variabel yang ada adalah dalam rangka menemukan sebuah pola variabel yang mengelompok yang berkontribusi dalam pembentukan suatu faktor (belum berlandaskan teori yang pasti), sehingga belum ditetapkannya suatu konsepsi variabel laten dan variabel manifest. Sedangkan pada konfirmatori semua konsep variabel sudah ditentukan berdasarkan teori yang sudah ditetapkan berdasarkan literatur dan dikenal sedari awal bahwa  faktor/variabel induk tidak dapat di ukur secara langsung sehingga dikenal istilah variabel laten dan variabel manifest.

Dengan gambaran tersebut diharapkan para peneliti tidak salah dalam menentukan software pembantu dalam menganalisis datanya. SPSS banyak digunakan dalam analisis faktor eksploratori dan LISREL (sejenisnya) banyak digunakan dalam analisis faktor konfirmatori.

Pada kesempatan kali ini kita akan coba menjelaskan konsepsi rotasi yang muncul pada pembahasan analisis faktor ekploratori. Pada proses aplikasi pada software SPSS kita dituntut pula untuk memilih jenis rotasi yang akan dilakukan pada data yang dimiliki dengan tujuan mendapatkan kombinasi variabel penyusun faktor yang optimal.

Tujuan Rotasi Faktor

Tujuan utama dari dilakukannya proses rotasi pada proses pembentukan faktor pada analisis faktor eksploratori adalah untuk mendapatkan struktur faktor (kombinasi linear dari variabel-variabel dengan nilai faktor loadingnya) yang lebih sederhana dan dapat sangat membantu dalam proses interpretasi oleh para peneliti.

Secara teoritis proses rotasi dalam pendekatan matematis (matriks) terdiri dari 2 (dua) pendekatan yaitu orthgonal rotation dan oblique rotation (secara matematis tidak akan dibahas dalam artikel ini). Umumnya untuk memudahkan interpretasi para peneliti menggunakan pendekatan orthogonal rotation dalam proses pembentukan faktor dari analisis faktor. Dan pada kesempatan kali ini kita akan coba menerangkan dua (2) jenis pendekatan dalam rumpun rotasi orthogonal yaitu Varimax Roration dan Quantimax Rotation.

Sekali yang perlu diperhatikan dan dipahami oleh para peneliti atau data master adalah fungsi rotasi yang bertujuan untuk mengoptimalkan dihasilkannya kombinasi linear variabel-variabel dalam suatu faktor (1 atau 2 faktor) yang terbentuk dari hasil analisis faktor dan hal ini diindikasikan dengan mudahnya peneliti mengidentifikasi faktor terbentuk atas kontribusi besar (loading faktor) variabel-variabel penyusunnya.

Gambar 1. Menu Rotasi pada Software SPSS

Varimax Rotation

Dalam rotasi varimax tujuan utamanya adalah untuk mendapatkan struktur faktor yang terdiri dari kombinasi variabel-variabel yang memiliki nilai faktor loading yang sangat tinggi hanya pada satu faktor. Dengan demikian jika terbentuk lebih dari satu faktor maka nilai variabel loading suatu variabel pada satu faktor akan sangat tinggi dan pada faktor lainnya mendekati nol.

Oleh karenanya, hasil struktur faktor dengan menggunakan pendekatan rotasi varimax dapat dengan mudah dibedakan dengan struktur faktor yang lainnya (antar faktor terbentuk berdasarkan kombinasi variabel-variabel pembentuknya).

Quartimax Rotation

Dalama rotasi quantimax terdapat 2 (dua) tujuan utama diantaranya pertama, semua variabel memiliki nilai loading relatif tinggi berimbang pada satu faktor dan kedua, tiap variabel memiliki nilai loading yang tinggi pada satu faktor dibanding faktor yang lainnya serta memiliki loading mendekati nol (0) pada faktor lainnya tersebut.

Berdasarkan pemaparan kedua jenis rotasi sebelumnya, maka dengan jelas bahwa pada rotasi quatimax akan di dapat dua klasifikasi faktor diantaranya adalah pertama, suatu struktur faktor yang akan mewakili satu faktor yang dapat dianggap mewakili keseluruhan faktor (general factor) dan kedua, faktor lainnya yang terbentuk merupakan suatu konstruk yang spesifik. Oleh karenanya, rotasi quantimax sangat cocok jika digunakan apabila peneliti mencurigai sedari awal, kehadiran dari suatu “faktor umum” (merujuk pada hasil pertama). Dan hal ini bertentangan dengan rotasi varimax yang mengasumsikan bahwa faktor umum dihilangkan dan seharusnya tidak digunakan ketika teridikasi adanya faktor umum tersebut.

Sedikit gambar tentang rotasi pada analisis faktor eksploratori pada pembahasan sebelumnya diharapkan dapat membantu para peneliti atau data master untuk melakukan treatment pada data yang akan dianalisis secara tepat, sehingga dihasilkan faktor yang optimal sebagaimana dimaksudkan dalam tujuan penelitian yang sudah ditetapkannya. SEMANGAT MEMAHAMI!!!

Sumber :

• Subhash Sharma, Applied Multivariate Technique
• Vincent Gaspersz, Teknik Analisis Rancanangan Percobaan

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-