Analisis Konjoin

Analisis Konjoin

Untuk kesekian kalinya kita berada pada bahasan analisis pada rumpun analisis multivariat. Kali ini kita masuk pada bahasan yang sangat menarik khususnya bagi rekan peneliti, data master maupun para praktisi bidang usaha, baik itu pada pengembangan produk maupun pengembangan jasa. Mungkin sebagian rekan peneliti, data master maupun para praktisi bidang usaha mengenal atau telah ekspert dengan istilah konjoin atau analisis konjoin. Ya, analisis konjoin sangat membantu sekali bagi rekan-rekan yang bingung atau kesulitan dalam menemukan suatu alat atau metode yang tepat dalam membantu menganalisa data kaitannya dengan fitur produk atau jasa ataupun kesukaan atau preferensi kosumen terhadap produk atau jasa yang kita miliki.

Bisa dibilang analisis konjoin sangat spesial dibandingkan analisis dalam rumpun multivariat lainnya. Namun secara basic pemahaman akan analisis konjoin dapat dibantu dengan pemahaman peneliti atau data master pada konsepsi analisis regresi dan pengujian anova pada rancangan percobaan faktorial. Sebagai gambaran awal bahwa output yang dihasilkan oleh analisis konjoin berupa nilai preferensi konsumen yang dihasilkan dari kombinasi linier pada fitur-fitur produk yang diujikan kepada konsumen, itu dari sisi konsepsi regresi. Pada sisi rancangan percobaan faktorial bahwa analisis konjoin didasarkan atas pertimbangan matang terhadap atribut-atribut atau fitur-fitur produk yang akan diujikan kepada konsumen, sehingga ada baiknya bahwa atribut-atribut atau fitur-fitur yang hendak diujikan kepada konsumen benar-benar representasi kebutuhan atau preferensi konsumen ketika membeli produk.

Analisis konjoin merupakan suatu analisis yang menarik, menarik karena output yang dihasilkan erat kaitannya dengan sukses tidaknya suatu produk ketika di-launching ke market atau dengan kata lain apakah produk tersebut laku atau tidak. Ya, karena pra launching dengan analisis konjoin produk tersebut telah diujicobakan terlebih dahulu sebagai input informasi awalan kepada bagian marketing maupun produksi suatu perusahaan. Jika pun tidak sukses, yang bisa dikoreksi dari penggunaan alat analisis ini adalah penentuan atribut atau fitur yang diuji cobakan di awal apakah sudah tepat atau kah tidak tepat.

Pada beberapa artikel ke depan kita akan coba sedikit kupas konsepsi tentang analisis konjoin, karena merupakan analisis yang kompleks maka akan coba kita uraikan secara bertahap. Berdasarkan buku yang menjadi referensi kita (baca : Multivariate Data Analysis, Pearson New International Edition, Hair dkk) setidaknya terdapat 7 tahapan dalam memahami dan mengaplikasikan konsep analisis konjoin pada penelitian yang akan dilakukan. Cukup panjang dan kompleks memang, perlu kehati-hatian dan ketelitian dalam memahami tiap tahapannya.

  • Tahap 1. Merumusakan Tujuan dari Analisi Konjoin (Objectives of Conjoint Analysis)

Seperti pada umumnya penelitian, tahapan pertama yang paling menentukan dan membuat suatu penelitian memiliki motivasi dan kekuatan adalah penentuan tujuan. Seperti kita kemukakan di muka, bahwa ada keunikan tersendiri pada analisis konjoin yaitu penerapannya pada aspek “marketing” produk atau jasa, 2 (dua) tujuan utama yang setidaknya harus dipegang oleh peneliti diantaranya :

  1.  To determine the contribution of predictor variables and their levels in the determination of consumer preference”. Dengan pemahaman bahwa analisis konjoin ini ditujukan untuk menentukan nilai kontribusi variabel yang menjelaskan (X) dengan tingkatan atau level yang ada pada variabel tersebut (spesifik fitur) yang dapat menggambarkan keputusan preferensi (pilihan) atau kesukaan konsumen. Dengan analisis konjoin kita dapat mendapatkan paket fitur seperti apa dari produk yang paling disukai oleh konsumen (harga,kemasan, rasa, bentuk, dll).
  2. To establish a valid model of consumer judgments”. Dengan pemahaman bahwa analisis konjoin ini ditujukan untuk membentuk suatu model yang terbukti sebagai model keputusan konsumen untuk memilih atau membeli produk atau jasa. Bentuk model disini sama halnya pemahaman kita terhadap model regresi, dalam analisis konjoin variabel-variabel dalam model merupakan spesifik fitur (level dalam variabel) yang memiliki kontribusi besar terhadap preferensi konsumen terhadap produk atau jasa.           

Setelah kita menetapkan pada dua tujuan tersebut di atas, selanjutnya masih dalam rangka menelaah tujuan analisis konjoin, dari dua tujuan tersebut kita dapati dua pertanyaan penting yang perlu dipertimbangkan secara benar oleh peneliti, diantarannya,

  1. Is it possible to describe all the attributes that give utility or values to the productPertanyaan tersebut merepresentasikan apakah para peneliti, data master maupun para praktisi bidang usaha, mungkin untuk menggambarkan semua variabel yang mampu menggambarkan kegunaan atau nilai yang melekat pada produk atau jasa tersebut. Hal ini menjadikan pertimbangan tersendiri bahwa peneliti, data master maupun para praktisi bidang usaha, harus dapat setepat mungkin mendefinisikan produk atau jasanya yang akan ditawarkan kepada konsumen.
  2. What are the key attribute involved in the choice process for this type of product or service?Setelah peneliti, data master maupun para praktisi bidang usaha, yakin atas variabel-variabel yang melekat dan yang mampu menggambarkan produk atau jasa tersebut, maka hal selanjutnya yang perlu dipahami dan diputuskan secara tepat adalah variabel mana saja yang merupakan kunci dalam mempengaruhi konsumen dalam menentukan pilihannya atas produk atau jasa yang ditawarkan nantinya. Karena berdasarkan atas penentuan variabel yang tepat, yang nantinya akan menentukan produk atau jasa tersebut laku atau tidak di pasaran, biasanya penentuan variabel tersebut, salah satunya dapat dilakukan dengan focus group discussion (FGD).

Penetapan tujuan dan jawaban pertanyaan yang tepat pada tahap awal ini sangat menentukan tahapan selanjutnya dalam analisis konjoin. Pada tahapan ini peneliti akan mendapatkan panduan dalam mendapatkan keputusan kunci pada tiap tahapannya.

  • Tahap 2. Mendesain Analisis Konjoin (The Design of Conjoint Analysis)

Pada tahap ini kita mencoba untuk mempersiapkan kelengkapan analisis konjoin darisisi perencanaan dan teknis. Seperti kita ketahui bahwa pada tahap pertama bisa dikatakan adalah tahapan konsepsi terhadap masalah yang akan coba dicarikan pernyataan keputusan atau solusinya. Nah, pada tahapan ini lah kita mendeskripsikan hal-hal apa saja yang harus dilakukan untuk mendapatkan keputusan atau solusi tersebut pada analisis konjoin. Adapun hal-hal yang perlu diketahui oleh peneliti dalam mendesain suatu analisis konjoin sebagai berikut,

[1]. Metode konjoin yang mana yang harus dipilih

Pada analisis konjoin setidaknya terdapat 3 (tiga) jenis metode yang dapat dipilih oleh peneliti diantaranya traditional conjoint, adaptive conjoint dan choice-based conjoint. Dimana penentuan pemilihan diantara ketiga metode konjoin yang akan digunakan harus berdasarkan pada beberapa kriteria tertentu diantaranya adalah pada jumlah atribut atau variabel yang disertakan pada model, satuan responden yang akan dianalisis (individu atau kelompok), pemilihan metode analisis pada model dan bentuk dari model konjoin itu sendiri. Untuk mempemudah pemahaman kita, berikut rangkuman metode analisis konjoin berdasarkan kriteria yang mendasarinya,

Metode Analisis Konjoin

Gambar 1. Metode dan Kriteria Pemilihan Metode Analisis Konjoin

Dengan pemenuhan tiap kriteria yang menjadi prasyarat yang mendasari metode konjoin yang akan digunakan dapat memandu peneliti atau data master untuk memperoleh output yang optimal dan tepat dari analisis konjoin.

[2]. Bagaimana menentukan variabel atau faktor dengan level-nya di kombinasikan dalam suatu profile

Seperti yang sudah kita ketahui bahwa kesuksesan analisis konjoin diantaranya adalah pada pemilihan dan pengkombinasian faktor beserta level-nya dengan tepat dan yang dapat menggambarkan produk atau jasa tersebut dengan tepat dan jelas.  Hal ini sangat penting dikarenakan berpengaruh terhadap keefektifan profile (kombinasi level tiap faktor) dalam tugasnya (menggambarkan produk atau jasa), akurasi pada hasil yang didapat dan utamanya relevan dengan kebutuhan manajerial. Oleh karenya, dalam penentuan faktor berserta level-nya, peneliti harus dapat memastikan 2 (dua) hal bahwa faktor beserta level-nya tersebut dapat dikomunikasikan (communicable) dan dapat diimplementasikan (actionable),

  1. Communicable Measures. “The factor and levels must be easily communicated for a realistic evaluation.” Hal ini menunjukkan kepada kita bahwa kombinasi fitur yang akan dievaluasi kepada konsumen harus sebisa mungkin dapat terkomunikasikan dengan baik kepada konsumen. Hal ini untuk menghindarkan bias pengukuran yang mereflesikan pilihan konsumen. Sebagai contoh, dalam evaluasi parfum atau lotion jika memang dievaluasi berdasarkan format textual tanpa “tester” langsung mungkin tidak mampu menangkap secara sensori beberapa fitur dari produk tersebut, sehingga memungkinkan untuk terjadinya ketidaktepatan dalam pengukuran. Hal-hal seperti itu yang harus dipertimbangkan secara baik oleh peneliti.
  2. Actionable Measures. “The factor and levels also must capable of being put into practice, meaning the attributes must distinct and represent a concept that can be implemented precisely.”  Dalam hal ini bahwa atribut yang digunakan untuk menggambarkan produk atau jasa yang diujikan harus mampu dibedakan secara spesifik dan secara kuantitas, tidak tergambarkan secara umum (misal tentang kualitas dan kenyamanan). Hal ini menunjukkan kepada kita bahwa atribut dari produk atau jasa yang diujikan kepada responden harus benar-benar dapat dibedakan satu dengan yang lainnya. Hal ini untuk menghindarkan konsumen dari ketidakpastian dalam memilih suatu atribut dibandingkan dengan atribut lainnya pada produk atau jasa yang diujikan, sehingga hasil yang didapatkan tidak dapat menggambarkan pilihan sebenarnya dari konsumen. Sebagai contoh bahwa pada pada tataran penentuan level dari atribut (mis : kualitas) dihindarkan dari memilih istilah spesifikasi yang kurang tepat, misal : lowmoderatehigh, dikarenakan hal tersebut bersifat subjektif dan memiliki standar yang berbeda-beda dari tiap konsumen dari pemaknaan yang sebenarnya. Oleh karenanya, pemilihan atribut dan level-nya sebisa mungkin yang dapat membedakan satu sama lain dan begitu pula pada kenyataanya (situasi riil).

Selainkedua hal tersebut di atas, yang harus peneliti perhatikan terkait dengan faktor dan level-nya, ada hal-hal lain yang secara spesifik perlu diperhatikan khusus pada Faktor dan Level-nya. 

  1. Faktor. Terdapat setidaknya 3 (tiga) hal yang perlu diperhatikan peneliti dalam hal penentuan faktor diantaranya, jumlah faktor yang akan disertakan (Minimum Profil = Total Level dari Semua Faktor – Jumlah Faktor + 1), multikolinearitas yang mungkin terjadi antar faktor (solusinya dengan memadukan faktor “superattribute” dengan tetap menjaga “actionable” dan “specific”) dan peran unik jika “harga” dijadikan faktor (faktor “harga” sangat berkorelasi dengan banyak faktor lainnya, “harga” merepresentasikan nilai kegunaan produk atau jasa dan “harga” mungkin berinteraksi dengan faktor lainnya, semisal “merk”, oleh karenanya diperlukan perlakuan khusus jika faktor “harga” dimasukan ke dalam analisis konjoin).
  2. Level. Penspesifikan level (level faktor) merupakan aspek yang sangat penting dalam analisis konjoin, hal ini dikarenakan level inilah yang dijadikan dasar pengukuran dalam pembentukan profile produk atau jasa yang akan dievaluasi. Oleh karenanya, penelitian menunjukkan bahwa jumlah dari level, keseimbangan dari jumlah level antar faktor dan jarak antar level (levelisasi) dalam suatu faktor memiliki pengaruh yang berbeda dalam hasil evaluasi pada produk atau jasa.

Yang harus diperhatikan oleh peneliti bahwa tahapan penentuan faktor dan penspesifikan faktor (levelisasi) merupakan tahapan yang paling penting. Hal ini dikarenakan sekali faktor dilibatkan dalam pembentukan profile yang dievaluasi oleh konsumen, maka faktor tersebut tidak dapat dihilangkan. Hal ini dikarenakan konsumen selalu mengevaluasi atribut atau profile sebagai suatu set, sehingga apabila menghilangkan suatu atribut atau profile (setelah diujikan kepada konsumen) dapat membuat analisis konjoin menjadi tidak valid.

[3]. Tipe efek seperti apa yang diharapkan oleh peneliti (main effect -additive model dan atau interaction effect)

Setelahpada 2 (dua) poin sebelumnya kita sudah memilih metode dan faktor beserta level-nya dalam rangka mendesain analisis konjoin yang akan dilakukan. Pada langkah selanjutnya masih dalam rangka mendesain analisis konjoin, yaitu menentukan aturan dalam mengkomposisikan faktor berserta level-nya tadi. Pada umumnya aturan tersebut terdapat 2 (dua) macam yaitu “additive model” dan “adding interactive effects”.

  1. additive model merupakan aturan komposisi faktor dan level-nya yang paling umum, yaitu mengasumsikan bahwa nilai total preferensi (utility) dari konsumen diperoleh dengan hanya menambahkan semua nilai (bobot) atribut atau level (part-worth) dari profile produk atau jasa yang dievaluasi. Dalam “additive model” setidaknya variansi preferensi (utility) dari konsumen yang dapat dijelaskan oleh model (part – worth) yaitu sebesar 80% s.d 90%.
  2. adding interactive effects merupakan aturan komposisi seperti layaknya pada “additive model”, dimana nilai kegunaan (utility) dari produk atau jasa merupakan jumlah dari part-worth atribut atau level dari produk atau jasa, hanya saja dalam “adding interactive effects” ditambahkan part-worth dari kombinasi yang pasti dari atribut atau level tertentu dari produk atau jasa. Hanya saja dengan penambahan interaksi faktor, penambahan variance yang dapat dijelaskan oleh model hanya sekitar 5% s.d 10%, sedangkan dengan penambahan interaksi faktor dapat menambah cukup banyak profile yang harus di evaluasi oleh konsumen.

Kaitannya dengan kedua model faktor dan level-nya tersebut di atas yakni “additive model” dan “adding interactive effects”, maka dalam hubungannya dengan part-worth maka dikenal 3 (tiga) pola hubungan yaitu linear model, quadratic form (ideal model) dan separate part-worth form. (noted : parth-worth serupa dengan nilai taksiran beta pada analisis regresi). Dimana pemilihan model tersebut harus disesuaikan dengan kondisi melalui informasi a priori yang dimiliki maupun pendekatan berdasarkan informasi empiris.

Hubungan Faktor Dalam analisis Konjoin

Gambar 2. Tipe Hubungan Faktor dan Level-nya

[4]. Bentukpengukuran (presentasi) seperti apa yang harus digunakan kepada respondensebagai langkah untuk memperoleh data

Tahapan terakhir dalam mendesain analisis konjoin adalah terkait dengan data collecting. Setidaknya ada 3 (tiga) keputusan yang harus dipertimbangkan oleh peneliti terkait dengan pengambilan data untuk keperluan analisis konjoin diantaranya, tipe dari metode presentasi faktor dan level-nya (type of presentation method for the factors), tipe dari variabel respon (type of response variable) dan metode dari pengambilan data (method of data collection).

  • Choosing a presentation method.

Terdapat 3 (tiga) metode presentasi faktor dan level-nya kepada konsumen dalam proses evaluasi produk atau jasa kaitannya dengan analisis konjoin diantaranya, full-profile method, dimana setiap profile digambarkan secara terpisah dan lebih sering menggunakan kartu profile sebagai alat bantu evaluasi produk atau jasa oleh konsumen. Penilaian terhadap metode ini dapat dilakukan baik itu dengan cara meranking maupun meratingnya. Selain itu penggunaan metode ini disarankan ketika faktor yang dievaluasi maksimal 6 buah faktor. The pairwise combination presentation, dimana pada metode ini melibatkan 2 (dua) profile yang diperbandingkan dengan cara merating yang menunjukkan kekuatan pilihan dari konsumen atas suatu profile dibandingkan dengan lainnya. Biasanya dalam implementasinya faktor atau atribut yang diperbandingkan hanya sebagian-sebagian dalam sekali evaluasi, hal ini dilakukan untuk menyederhanakan proses evaluasi oleh konsumen jika faktor atau atribut yang dievaluasi sangat banyak, dan trade-off presentation, dimana pada metode ini digunakan 2 (dua) faktor atau atribut dalam sekali evaluasi oleh konsumen dengan merangking setiap kombinasi level dari faktor yang diujikan. Sekilas metode ini sangat mudah bagi konsumen dan mudah secara administrasi, karena hanya melibatkan 2 (dua) faktor dalam sekali pengujian. Beberapa keterbatasan dalam metode ini diantaranya karena tiap pengujian hanya terdapat 2 (dua) faktor atau atribut sehingga memperbanyak penilaian bagi konsumen dan hasil pengukuran yang bersifat nonmetric (ordinal). Untuk memperjelas perbandingan ketiga metode tersebut, berikut disajikan gambar yang memperlihatkan ketiga metode tersebut.

Kartu Profile Analisis Konjoin

Gambar 3. Metode Presentasi Faktor dan Level-nya
  • Selecting a measure of consumer preference.

Setelah pada bahasan sebelumnya kita sudah memahami desain analisis konjoin hingga tahapan menentukan metode presentasi untuk mengevaluasi profile produk atau jasa kepada konsumen. Pada tahapan ini kita akan coba mempelajari bagaimana menentukan bentuk profile dan cara pengukurannya. Secara prinsip bahwa semakin banyak faktor dan level-nya yang dilibatkan maka akan semakin banyak dan kompleks profile yang akan disodorkan kepada konsumen untuk di evaluasi dan hal ini yang harus dipertimbangkan secara matang oleh peneliti agar apa yang diharapkan dari proses evaluasi oleh konsumen memberikan hasil yang valid.

Sebagai contoh jika kita memiliki 4 (empat) buah faktor dengan 4 (empat) buah level untuk masing-masing faktor, maka setidaknya akan ada 256 profile (4 x 4 x 4 x 4 = 256) yang harus dievaluasi oleh konsumen.

Selain itu perlu dipertimbangkan juga jumlah minimal profile yang diperlukan untuk mendapatkan estimasi atau taksiran part-worth yang relatif stabil dari model yang dihasilkan. (lihat rumus sebelumnya). Dengan ketentuan tersebut maka minimum responden yang diperlukan untuk mengevaluasi profile produk atau jasa adalah PANGKAT (2 atau 3) dari jumlah parameter atau level-nya. Sebagai tambahan, perlu menjadi pertimbangan bagi peneliti, berdasarkan pengalaman menunjukkan bahwa responden dapat menyelesaikan proses evaluasi dan cenderung valid hingga 30 pilihan profile, akan tetapi setelahnya (> 30) hasil dari evaluasinya sedikit meragukan (disebabkan kelelahan atau tidak fokus lagi).

Sebelum kita sampai pada bahasan cara menentukan pengukuran terhadap profile, sebelumnya mari kita coba memahami cara untuk mendisain suatu profile. Sebagai catatan bahwa profile yang kita susun harus memenuhi setidaknya 2 (dua) aturan diantaranya profile yang disusun memnuhi aturan orthogonality (tidak ada korelasi antar level) dan balanced design (tiap level dari tiap faktor muncul disetiap kali evaluasi). 2 (dua) pendekatan dalam penyusunan profile diantaranya

  1. Fractional Factorialmerupakan pendekatan yang umum digunakan. Cara kerjanya yaitu dengan mengambil sampel profile dari keseluruhan profile yang mungkin, dengan jumlah profile yang digunakan tergantung pada aturan komposisi yang digunakan oleh responden (additive atau adding interactive). Sebagai contoh, dengan menggunakan model additive, metode full-profile dengan 4 (empat) faktor dan 4 (empat) level maka hanya diperlukan 16 (enam belas) profile untuk menaksir efek langsung yang orthogonal dan balance. Sedangkan 240 profile lainnya tidak dipilih dalam desain fractional factorial dan hanya digunakan jika dikehendaki penaksiran dengan menambahkan efek interaksi (adding interactive effect).
  2. Bridging Design, digunakan jika jumlah faktor sangat banyak dan adaptive-conjoint tidak dapat digunakan. Prinsipnya adalah membagi faktor yang banyak tadi menjadi beberapa subset faktor yang sesuai. Dan pembentukan profile berdasarkan pada subset faktor yang terbentuk tadi, sehingga responden tidak disodorkan faktor yang banyak tadi dalam satu kemasan profile.   

Kita sudah pahami bagaimana cara mendisain profile yang kita perlukan bagi variabel penelitian yang kita miliki. Selanjutnya kita akan mempertimbangkan dengan cara bagaimana variabel penelitian tersebut (profile) diukur atau dinilai oleh konsumen. Setidaknya ada 2 (dua) jenis pengukuran yang dapat digunakan oleh peneliti diantaranya,

  1. Rank-Ordering. Digunakan untuk mendapatkan suatu rangking atas pilihan atau kesukaan terhadap profile produk atau jasa yang dievaluasi oleh konsumen (rangking profile dari paling disukai atau dipilih hingga paling tidak disukai atau dipilih), dimana terdapat 2 (dua) keuntungan utama. Pertama, rank-ordering mungkin lebih reliable karena penggunaan rank-ordering lebih mudah dibandingkan rating dengan ketentuan bahwa jumlah profile yang dievaluasi cukup sedikit (< 20). Kedua, rank-ordering lebih memiliki fleksibilitas untuk digunakan pada metode additive maupun adding-interactive. Akan tetapi rank-ordering pun memiliki kelemahan diantaranya adalah pada masalah pencatatan (administrasi), dikarenakan prosedur rank-ordering dilaksanakan dengan cara mengurutkan kartu profile berdasarkan urutan pilihan atau kesukaan dan prosedur ini hanya memungkinkan dilakukan dengan cara tatap muka langsung (interviewing).
  2. Rating. Dalam rating, ukuran preferensi yang dihasilkan adalah dalam bentuk skala metrik (interval atau rasio). Keuntungannya adalah hasil preferensi mudah untuk didapat, mudah dalam pencatatan (misal : dengan menggunakan email) dan mudah dalam menganalisa hasilnya (misal : dengan menggunakan regresi multivariat). Aturan yang melekat pada rating adalah setidaknya harus terdapat 11 kategori (misal : 0 s.d 10 atau 10 s.d 100 – dalam kelipatan 10) untuk jumlah profile sampai dengan 16 buah profile dan diperluas menjadi 21 kategori untuk jumlah profile lebih dari 16 buah profile.

Untuk memilih diantara kedua tipe pengukuran tersebut di atas haruslah berdasarkan sisi keprakatisan dan pertimbangan konseptual. Dalam penelitian umum menunjukkan bahwa rank-ordering lebih disukai dibandingkan rating meskipun perlu effort yang sebelumnya dijelaskan.

  • Survey administration.

Tahapan akhir dalam mendesain analisis konjoin adalah melakukan survey dan melakukan pencatatan data. Sebelum masuk pada bagian tersebut, ada baiknya sekilas kita telaah apakah ada ketentuan lebih lengkap atau praktis mengenai sampel yang diperlukan dalam analisis konjoin, meskipun sedikit aturannya kita sudah sebutkan pada pembahasan sebelumnya.

Secara teoritis bahwa analisis konjoin dapat ditaksir dengan hanya seorang konsumen jika konsumen tersebut melakukan serangkaian pengujian preferensi yang cukup lengkap. Hanya saja peneliti tetap dibebankan oleh konsepsi bahwa sampel tersebut harus mewakili populasi. Selain itu kebutuhan terhadap ukuran sampel tersebut juga berhubungan dengan mencerminkan apa hasil preferensi tersebut (misal : purchasing atau market share) dan seberapa akurat hasil prediksi (hasil analisi konjoin) yang dinginkan. Jika berdasarkan pada interval konfidensi yang diharapkan (error rate), maka ukuran sampel sebesar 200 konsumen cukup memberikan margin error yang dapat diterima. Akan tetapi untuk studi yang lebih kecil lingkupnya, ukuran sampel sebesar 50 konsumen cukup baik dalam memberikan kilasan hasil preferensi konsumen. Oleh karenanya, dari gambaran di atas kita dapat menyimpulkan bahwa ukuran sampel untuk analisis konjoin ideal minimal sebesar 200 unit sampel dan minimal 50 unit sampel.

Sedangkan untuk memperoleh data preferensi konsumen atas intrumen yang telah kita susun, umumnya penelitian yang dilakukan kaitannya dengan penggunaan analisis konjoin, sangat memungkinkan menggunakan cara yang sudah sedikit disinggung pada paparansebelumnya yaitu dengan cara wawancara baik itu dengan menggunakan mail (baik itu kuesioner fisik maupun kuesioner via email) maupun dengan menggunakan telepon. Juga seperti yang telah kita ulas pada paparan sebelumnya, bahwa sebisa mungkin profile yang harus di evaluasi oleh konsumen sesedikit mungkin (tetap menjaga key attributes), hal ini disandarkan pada validitas dan reliabilitas hasil yang diharapkan oleh peneliti (noted : 30 profile awal cenderung reliable dan lebih dari 30 profile cenderung meragukan). Hal tersebut setidaknya dapat dijadikan pertimbangan bagi peneliti, data master atau praktisi bidang usaha untuk merencanakan rencana penggunaan analisis konjoin sebaik mungkin agar pemenuhan terhadap tujuan pengembangan produk atau jasa didapatkan secara optimal.

Demikian 2 (dua) tahapan awal sebagai dasar dalam melakukan analisis konjoin. Dengan pemahaman yang baik atas 2 (dua) tahapan tersebut diharapkan dapat membantu mempermudah pemahaman pada tahapan-tahapan selanjutnya. Awal sangat menentukan hasil akhir, begitu kiranya jika kita memahami tahapan yang harus dilalui ketika kita hendak menggunakan analisis konjoin. Setidaknya 2 (dua) tahapan awal yang sudah kita paparkan di atas yaitu mengenai Tujuan Analisis Konjoin dan Mendesain Analisis Konjoin, dapat dijadikan pondasi awal pemahaman terhadap tahapan-tahapan selanjutnya dari analisis konjoin. Salah dalam memahami proses awal tersebut akan membingungkan dalam pengimplemtasian pada riil kasus yang dimiliki oleh peneliti, data master atau praktisi usaha. Pada artikel selanjutnya kita akan sedikit mengulas pembahasan analisis konjoin diantaranya pada tahapan : Asumsi Analisis Konjoin, Menaksir (part-worth) Model Konjoin dan Uji KecocokanModel, Menginterpretasikan Hasil Analisis Konjoin, dan Memvalidasi HasilAnalisis Konjoin. SEMANGAT MEMAHAMI!!!

Sumber :

  • Multivariate Data Analysis, Josep F. Hair Jr., William C. Black, Barry J. Babin, Rolph E. Anderson. Seventh Edition.

————————————————————————————————————————————————————————

  1. Jika rekan peneliti memerlukan bantuan survey lapangan, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :
  1. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.


————————————————————————————————————————————————————————

Analisis Korelasi Kanonik

Analisis Korelasi Kanonik

Terdapat banyak metode yang dapat digunakan oleh peneliti dalam rumpun analisis data multivariat. Pada pembahasan terdahulu beberapa metode populis yang sudah kita paparkan diantaranya analisis regresi berganda, analisis komponen utama, analisis faktor ekploratori, analisis faktor konfirmatori, analisis diskriminan hingga analisis struktural (SEM maupun Jalur).

Pada kesempatan kali ini kita akan coba uraikan konsepsi tentang ragam metode analisis multivariat lainnya yang tujuannya mencari pola hubungan antara dua set atau dua kelompok variabel. Jika pada kesempatan sebelumnya kita telah mengenal pola hubungan antar variabel semisal korelasi pearson, rank spearman maupun derajat asosiasi yang dihasilkan dari tabel kontingensi, akan tetapi pola hubungan tersebut dalam kaitannya dengan rumpun analisis univariat atau analisis bivariat. Nah pada analisis korelasi kanonik, variabel yang dilibatkan adalah lebih dari satu variabel bebas dengan lebih dari satu variabel tak bebas.

Lebih lanjut paparan kita terkait dengan konsepsi dan cara perhitungan korelasi kanonik akan kita paparkan pada uraian berikut.

Penggunaan Korelasi Kanonik

Sebelum kita masuk ke dalam pembahasan terkait dengan konsepsi analisis korelasi kanonik ada baiknya kita coba memahami beberapa contoh kasus berikut,

The health department is interested in determining if there is a relationship between housing quality – measured by a number of variables such as type of housing, heating and cooling conditions, availability of running water, and kitchen and toilet facilities –  and incidences of minor and serious illness and number of disability days.

The marketing manager of a consumer good firm is interested in determining if there is a relationship between types of products purchased and consumers’ lifestyles and personalities.

Dari beberapa contoh kasus yang telah disebutkan di atas setidaknya kita dapat mengindentifikasi awal konteks penggunaan analisis korelasi yaitu adanya tujuan yang ingin diketahui yaitu mengidentifikasi hubungan “relationship”. Dan kaitannya dengan rumpun analisis multivariat dengan banyak variabel, dapat diindentifikasi bahwa variabel-variabel yang dilibatkan dalam pengukuran lebih dari satu. Oleh karenanya dalam konteks korelasi multivariat, diuji dengan analisis korelasi kanonik.

Konsepsi Korelasi Kanonik

Pada analisis korelasi kanonik (sebagai unsur pembeda) pada umumnya dikenal adanya pembagian variabel seperti layaknya pada analisis regresi yaitu variabel independent dan variabel independen. Lebih lanjut, jika para peneliti sudah coba membaca dan mempelajari artikel kita terkait dengan analisis komponen utama, maka untuk memahami cara kerja dari analisis korelasi kanonik mirip dengan cara kerja analisis komponen utama. Perbedaan yang mencolok antara keduanya adalah pada kriteria penentuan hasil yang berbeda. Persamaan prinsip yang utama adalah pembentukan suatu variabel baru berdasarkan kombinasi linear variabel pembentuknya, hanya saja pada analisis korelasi kanonik perlu dibedakan berdasarkan variabel independen (X) dan dependen (Y)-nya untuk tujuan pencarian derajat hubungan anatar dua variabel baru yang terbentuk.

Berikut disajikan persamaan variabel yang terbentuk dari kombinasi linear variabel-variabel pembentuknya yang menjadi dasar pencarian nilai korelasi kanonik.

Pada persamaan di atas menunjukkan bahwa W1 merupakan kombinasi linear dari variabel X dan V1 merupakan kombinasi linear dari variabel Y. Misalkan C1 merupakan korelasi antara W1 dengan V1. Tujuan dari analisis korelasi kanonik adalah untuk mengestimasi nilai dari a11, a12, . . , a1p dan b11, b12, . . , b­1q yang memaksimumkan nilai C1. Berdasarkan persamaan di atas kita dapat mendefiniskan bahwa W1 dan V1 merupakan variabel kanonik dan C1 merupakan korelasi kanonik.

Berdasarkan persamaan dan uraian di atas, sekiranya kita dapat kerucutkan tujuan dari analisis korelasi kanonik diantaranya adalah

  1. Mengidentifikasi pasangan variabel baru (Wi , Vi) yang tiap variabelnya merupakan kombinasi linear dari variabel X (independen) dan variabel dependen (Y).
  2. Mengidentifikasi pasangan variabel baru (Wi , Vi) yang memaksimumkan nilai korelasi antara variabel baru Wi dan Vi
  3. Tiap set variabel baru (Wi , Vi) tidak berkorelasi dengan set variabel baru lainnya yang dihasilkan.

Sekilas bagi peneliti atau data master yang telah mengenal atau mempelajari analisis komponen utama akan berpendapat bahwa analisis korelasi kanonik merupakan hal yang sama dengan analisis komponen utama. Akan tetapi secara prinsip akan ditemukan banyak perbedaan yang prinsipil diantaranya pada tujuan penggunaan, variabel baru yang dihasilkan dan kriteria penentuan banyak variabel baru yang diperlukan. Pada analisis komponen utama penentuan banyak komponen utama atau variabel baru tersebut disandarkan pada kemampuan komponen utama mensarikan sebagian besar varians atau keragaman pada data (> 80%) dan variabel yang dihasilkan merupakan variabel yang berdiri sendiri bukan merupakan pasangan. Hal ini dikarenakan pada analisi komponen utama tujuan utamanya adalah untuk membuat kombinasi linear variabel pennyusunnya dalam rangka merampingan struktur variabel (data reduction). Sedangkan pada analisis korelasi kanonik penentuan banyaknya set variabel didasarkan atas set variabel baru (pasangan variabel baru) yang memiliki nilai korelasi yang maksimum dan variabel yang dihasilkan merupakan suatu set variabel (pasangan variabel). Hal ini dikarenakan sesuai dengan nama metode analisis ini yang merupakan suatu metode analisis korelasi akan tetapi yang melibatkan banyak variabel X dan Y.

Pada kesempatan selanjutnya kita akan coba perlihatkan penggunaan software statistik (diantaranya : SAS) dalam menghasilkan uji analisis korelasi kanonik pada data. Ada baiknya untuk pengenalan awal bagi peneliti atau data master yang baru membaca artikel ini untuk memahami terlebih dahulu metode analisis komponen utama, hal ini dapat sangat membantu mempercepat proses pemahaman khususnya pada metode analisis korelasi kanonik dan umumnya metode analisis data multivariat. SEMANGAT MEMAHAMI!!!

Sumber :

  • Subhash Sharma, Applied Multivariate Technique

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

  1. Jika rekan peneliti memerlukan bantuan survey lapangan, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :
  1. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

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

Asumsi Heteroskedastisitas Dengan Eviews (Uji Glesjer)

Asumsi Heteroskedastisitas Dengan Eviews (Uji Glesjer)

Dalam mendeteksi ada tidaknya heteroskedastisitas pada model regresi, terdapat beberapa metode yang umum dibahas dalam literatur-literatur, terutama kaitannya dengan ekonometrika. Yang sering dipakai dan relatif sederhana adalah metode grafik yang mudah diperoleh dengan menggunakan software SPSS. Pada kesempatan kali ini akan kita beberapa cara mendeteksi masalah heteroskedastisitas dengan menggunakan Eviews, salah satu didalamnya adalah metode grafik. Berikut beberapa metode pendeteksian heteroskedastisitas yang terdapat dalam Eviews diantaranya,

  1. Metode Grafik
  2. Uji Park
  3. Uji Glesjer
  4. Uji Korelasi Spearman
  5. Uji Goldfeld-Quandt
  6. Uji Bruesch-Pagan-Godfrey
  7. Uji White

Beberapa artikel kedepan kita akan uraikan penggunaan metode-metode tersebut dengan menggunakan aplikasi Eviews. Pada kesempatan pertama kita sudah menguraikan metode yang paling sederhana dan mudah untuk dilakukan oleh peneliti atau data master yaitu metode grafik. Pada kesempatan kedua kita sudah  menguraikan metode lainnya yaitu Uji Park. Pada kesempatan kali ini kita akan coba menguraikan metode selanjutnya yaitu Uji Glesjer.

Uji Glesjer

Pengujian Glesjer mempunyai semangat yang sama  dengan pengujian Park. Setelah mendapatkan residual dari regresi OLS, Glesjer menyarankan untuk meregresikan nilai absolute dari residual (resid) terhadap variable X yang diperkirakan mempunyai hubungan erat dengan varians yang dihasilkan.

Adapun langkah dalam melakukan uji Glesjer dengan menggunakan Eviews sebagai berikut:

  1. Persiapkan data yang kita miliki dalam file excel, pastikan data yang kita set dalam Excel memudahkan software Eviews dalam membacanya. Tampilan data cross section yang akan kita olah seperti tampak pada gambar berikut.

  1. Buka software Eviews dan masukan data yang sudah kita set pada file excel tadi kedalam software Eviews, sehingga tampilan jendela Eviews akan tampak seperti gambar berikut. (Lihat cara entry data pada Eviews pada artikel sebelumnya)

  1. Untuk mendapatkan model regresi dan nilai residualnya (resid), langkah selanjutnya adalah menuliskan secara manual model regresi yang akan dihitung pada kolom Equation Specification (menu Quick, Estimate Equation). Default method yang dipakai untuk membentuk persamaan regresi adalah Least Squares. (kecuali menghendaki metode lain sesuai dengan teori dapat memilih pilihan metode yang dimiliki oleh Eviews). Setelah klik OK maka akan muncul output hasil analisis regresi dengan menggunakan Eviews, seperti tampak pada gambar berikut ini.

  1. Untuk menguji asumsi heteroskedastisitas, klik menu View, Residual Diagnostics, Heteroskedasticity Tests, maka akan muncul jendela Eviews seperti tampak pada gambar berikut.

  1. Klik pada salah satu uji yang akan digunakan yaitu uji Glesjer lalu klik OK, maka akan dihasilkan output Eviews seperti tampak pada gambar berikut.

  1. Sedangkan secara manual pengaplikasian uji Glesjer dengan menggunakan Eviews, pertama buatlah variabel baru dengan nama resabs (residual absolut) dengan menuliskan resabs = abs (resid), seperti tampak pada gambar berikut.

  1. Selanjutnya hitunglah regresi dengan persamaan Abs(resid) = c X1 X2 seperti tampak pada gambar berikut.

  1. Klik OK maka akan diperoleh hasil output Eviews seperti tampak pada gambar berikut.

  1. Dari hasil poin 7 di atas, dengan kriteria pengujian bahwa jika nilai koefisien regresi b signifikan secara statistic, ini menyarankan bahwa dalam data terdapat heteroskedastisitas.

Pada bahasan selanjutkan kita akan uraikan pengujian lainnya yaitu Uji Korelasi Spearman, Uji Goldfeld-Quandt, Uji Bruesch-Pagan-Godfrey dan Uji White dalam rangka pendeteksian heteroskedastisitas pada model regresi terbentuk dengan menggunakan Eviews. Sampai jumpa pada pembahasan artikel selanjutnya. SEMANGAT MENCOBA!!!

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

  1. Jika rekan peneliti memerlukan bantuan survey lapangan, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :
  1. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

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

Asumsi Heteroskedastisitas Dengan Eviews (Uji Park)

Asumsi Heteroskedastisitas Dengan Eviews (Uji Park)

Dalam mendeteksi ada tidaknya heteroskedastisitas pada model regresi, terdapat beberapa metode yang umum dibahas dalam literatur-literatur, terutama kaitannya dengan ekonometrika. Yang sering dipakai dan relatif sederhana adalah metode grafik yang mudah diperoleh dengan menggunakan software SPSS. Pada kesempatan kali ini akan kita beberapa cara mendeteksi masalah heteroskedastisitas dengan menggunakan Eviews, salah satu didalamnya adalah metode grafik. Berikut beberapa metode pendeteksian heteroskedastisitas yang terdapat dalam Eviews diantaranya,

  1. Metode Grafik
  2. Uji Park
  3. Uji Glesjer
  4. Uji Korelasi Spearman
  5. Uji Goldfeld-Quandt
  6. Uji Bruesch-Pagan-Godfrey
  7. Uji White

Beberapa artikel kedepan kita akan uraikan penggunaan metode-metode tersebut dengan menggunakan aplikasi Eviews. Pada kesempatan pertama kita sudah menguraikan metode yang paling sederhana dan mudah untuk dilakukan oleh peneliti atau data master yaitu metode grafik. Pada kesempatan kali ini kita akan coba menguraikan metode selanjutnya yaitu Uji Park.

Uji Park

Park memformalkan metode grafik dengan menyarankan bahwa varians σ2 (kuadrat residual) adalah suatu fungsi yang menjelaskan variable X. Dengan kata lain pengujian Park dilakukan dengan cara meregresikan varians σ2 (kuadrat residual) atas variable X. Jika nilai koefisien regresi b signifikan secara statistic, ini menyarankan bahwa dalam data terdapat heteroskedastisitas. Apabila ternyata tidak signifikan, kita bisa menerima asusmsi homoskedastisitas. Pengujian Park merupakan prosedur 2 tahap, tahap pertama, melakukan regresi OLS dengan tidak memandang persoalan heteroskedastisitas dan diperoleh residual. Kemudian tahap kedua, melakukan regresi kuadrat residual dengan variable X.

Adapun langkah-langkah dalam melakukan uji park dengan menggunakan Eviews sebagai berikut :

  1. Persiapkan data yang kita miliki dalam file excel, pastikan data yang kita set dalam Excel memudahkan software Eviews dalam membacanya. Tampilan data cross section yang akan kita olah seperti tampak pada gambar berikut.

  1. Buka software Eviews dan masukan data yang sudah kita set pada file excel tadi kedalam software Eviews, sehingga tampilan jendela Eviews akan tampak seperti gambar berikut. (Lihat cara entry data pada Eviews pada artikel sebelumnya)

  1. Untuk mendapatkan model regresi dan nilai residualnya (resid), langkah selanjutnya adalah menuliskan secara manual model regresi yang akan dihitung pada kolom Equation Specification (menu Quick, Estimate Equation). Default method yang dipakai untuk membentuk persamaan regresi adalah Least Squares. (kecuali menghendaki metode lain sesuai dengan teori dapat memilih pilihan metode yang dimiliki oleh Eviews). Setelah klik OK maka akan muncul output hasil analisis regresi dengan menggunakan Eviews, seperti tampak pada gambar berikut ini.

  1. Untuk menguji asumsi heteroskedastisitas, klik menu View, Residual Diagnostics, Heteroskedasticity Tests, maka akan muncul jendela Eviews seperti tampak pada gambar berikut. Pilih salah satu jenis uji yang disediakan diantaranya Breusch-Pagan-Godfrey, Harvey, Glesjer, ARCH, White atau uji kustom. Berbagai uji ini menggunakan variabel dependen yang berbeda-beda, meskipun mirip yaitu nilai residual. Metode Breusch-Pagan-Godfrey menggunakan resid^2, pada uji Harvey digunakan log(resid^2), pada uji Glesjer digunakan abs(resid), pada ARCH digunakan resid^2 disertai nilai Lag dan pada uji White digunakan resid^2.

  1. Klik pada salah satu uji yang akan digunakan maka akan dihasilkan output Eviews seperti tampak pada gambar berikut.

Gambar 1. Uji Breusch-Pagan-Godfrey

Gambar 2. Uji Harvey

Gambar 3. Uji Glesjer

Gambar 4. Uji White

  1. Pada kesempatan kali ini kita akan uraikan secara manual pengaplikasian uji Park dengan menggunakan Eviews. Hitunglah regresi dengan persamaan Log(resid2) = c X1 X2 seperti tampak pada gambar berikut. Nilai resid2 merupakan kuadrat nilai resid (residual), cara untuk mendapatkan nilai resid2 sudah kita jelaskan pada artikel sebelumnya.

  1. Klik OK maka akan diperoleh hasil output Eviews seperti tampak pada gambar berikut.

  1. Dari hasil poin 7 di atas, dengan kriteria pengujian bahwa jika nilai koefisien regresi b signifikan secara statistic, ini menyarankan bahwa dalam data terdapat heteroskedastisitas.

Pada bahasan selanjutkan kita akan uraikan pengujian lainnya yaitu Uji Glesjer, Uji Korelasi Spearman, Uji Goldfeld-Quandt, Uji Bruesch-Pagan-Godfrey dan Uji White dalam rangka pendeteksian heteroskedastisitas pada model regresi terbentuk dengan menggunakan Eviews. Sampai jumpa pada pembahasan artikel selanjutnya. SEMANGAT MENCOBA!!!

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

  1. Jika rekan peneliti memerlukan bantuan survey lapangan, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :
  1. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

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

Asumsi Heteroskedastisitas Dengan Eviews (Metode Grafik)

Asumsi Heteroskedastisitas Dengan Eviews (Metode Grafik)

Salah satu asumsi regresi klasik lainnya yang tidak kalah penting adalah asumsi heteroskedastisitas dari model regresi. Seperti kita ketahui bahwa evaluasi asumsi pada model regresi suatu hubungan antar variabel dibedakan kepada evaluasi pada variabel itu sendiri dan pada residual yang dihasilkan dari model. Evaluasi pada variabel, kita ketahui model regresi di evaluasi setidaknya pada dua asumsi yaitu linearitas dan multikolinearitas. Sedangkan pada residual, dievaluasi setidaknya pada tiga asumsi yaitu normalitas, heteroskedastisitas dan autokorelasi.

Pada kesempatan kali ini kita akan membahas evaluasi asumsi lainnya yang dikenakan pada residual yaitu pengujian heteroskedastisitas, yang sebelumnya kita sudah uji normalitas dengan menggunakan Eviews. Secara konsepsi heteroskedastisitas berarti bahwa variabilitas (keragaman) nilai residual yang dihasilkan oleh model regresi relatif konstan (baca artikel : Asumsi Non Heteroskedastisitas Dalam Regresi). Tidak tepenuhinya asumsi non heteroskedastisitas pada model regresi linear terbentuk salah satunya ketidakefisienan model regresi dalam menghasilkan nilai penaksiran atau prediksi.

Terdapat beberapa metode yang umum dibahas dalam literatur-literatur, terutama kaitannya dengan ekonometrika. Yang sering dipakai dan relatif sederhana adalah metode grafik yang mudah diperoleh dengan menggunakan software SPSS. Pada kesempatan kali ini akan kita beberapa cara mendeteksi masalah heteroskedastisitas dengan menggunakan Eviews, salah satu didalamnya adalah metode grafik. Berikut beberapa metode pendeteksian heteroskedastisitas yang terdapat dalam Eviews diantaranya,

  1. Metode Grafik
  2. Uji Park
  3. Uji Glesjer
  4. Uji Korelasi Spearman
  5. Uji Goldfeld-Quandt
  6. Uji Bruesch-Pagan-Godfrey
  7. Uji White

Beberapa artikel kedepan kita akan uraikan penggunaan metode-metode tersebut dengan menggunakan aplikasi Eviews. Pada kesempatan pertama kita akan uraikan metode yang paling sederhana dan mudah untuk dilakukan oleh peneliti atau data master.

Metode Grafik

Jika tidak ada informasi apriori atau empiris mengenai sifat heteroskedastisitas, dalam praktek orang dapat melakukan analisis regresi atas asumsi bahwa tidak ada heteroskedastisitas dan kemudian melakukan pengujian sesudahnya (post mortem) dari kuadrat residual yang ditaksir untuk melihat jika residual tadi menunjukkan pola yang sistematis. Meskipun kuadrat residual tidak sama dengan factor gangguan ui, residual kuadrat tadi dapat digunakan sebagai pendekatan khususnya jika ukuran sampel cukup besar. Metode grafik digunakan dengan cara memetakan kuadrat residual terhadap nilai Y yang ditaksir dari persamaan regresi, idenya adalah untuk mengetahui apakah nilai rata-rata yang ditaksir dari Y secara sistematis berhubungan dengan kuadrat residual.

Adapun langkah dalam menghasilkan grafik antara kuadrat residual dengan variabel Y dengan menggunakan Eviews sebagai berikut:

  1. Persiapkan data yang kita miliki dalam file excel, pastikan data yang kita set dalam Excel memudahkan software Eviews dalam membacanya. Tampilan data cross section yang akan kita olah seperti tampak pada gambar berikut.

  1. Buka software Eviews dan masukan data yang sudah kita set pada file excel tadi kedalam software Eviews, sehingga tampilan jendela Eviews akan tampak seperti gambar berikut. (Lihat cara entry data pada Eviews pada artikel sebelumnya)

  1. Untuk mendapatkan model regresi dan nilai residualnya (resid), langkah selanjutnya adalah menuliskan secara manual model regresi yang akan dihitung pada kolom Equation Specification (menu Quick, Estimate Equation). Default method yang dipakai untuk membentuk persamaan regresi adalah Least Squares. (kecuali menghendaki metode lain sesuai dengan teori dapat memilih pilihan metode yang dimiliki oleh Eviews). Setelah klik OK maka akan muncul output hasil analisis regresi dengan menggunakan Eviews, seperti tampak pada gambar berikut ini.

  1. Buat variabel baru misal resid2 yang akan diisi dengan rumus resid^2. Kita memerlukan residual kuadrat untuk membuat grafik sebar (scatter plot) antara residual dengan variabel dependen (Y). Klik jendela Eviews pada workfile lalu klik pada menu Genr dan akan tampak seperti gambar berikut. Lalu isikan resid2 = resid^2 lalu klik OK maka hasilnya akan tersimpan pada jendela workfile Eviews.

  1. Untuk menghasilkan scatter plot pada Eviews, klik Quick, Graph, Scatter, maka akan tampak seperti gambar berikut. Selanjutnya isikan secara manual resid2 Y lalu klik OK.

Gambar 1. Pendefinisian Variabel Pada Grafik

Gambar 2. Pemilihan Tipe Grafik Scatter Plot

  1. Dari proses pada poin 5 maka akan dihasilkan tampilan gambar scatter plot sebagai berikut.

  1. Panduan sederhana untuk membaca grafik scatter plot yang dihasilkan adalah jika scatter plot mengelompok dan membentuk suatu pola tertentu atau pola teratur maka diindikasikan model mengalami masalah heteroskedastisitas. Akan tetapi apabila scatter plot yang dihasilkan menunjukkan bahwa data meyebar secara acak maka diindikasikan bahwa model tidak mengalami masalah heteroskedastisitas.

Pada bahasan selanjutkan kita akan uraikan pengujian lainnya yaitu Uji Park, Uji Glesjer, Uji Korelasi Spearman, Uji Goldfeld-Quandt, Uji Bruesch-Pagan-Godfrey dan Uji White dalam rangka pendeteksian heteroskedastisitas pada model regresi terbentuk dengan menggunakan Eviews. Sampai jumpa pada pembahasan artikel selanjutnya. SEMANGAT MENCOBA!!!

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

  1. Jika rekan peneliti memerlukan bantuan survey lapangan, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :
  1. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

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

Asumsi Multikolinearitas Dengan Eviews

Asumsi Multikolinearitas Dengan Eviews

Pada kesempatan kali ini kita akan coba mengupas penggunaan Eviews untuk melakukan pengujian asumsi multikolinearitas pada model regresi. Bagi peneliti atau data master yang baru saja menemukan artikel ini, ada baiknya membaca dan memahami definisi, konsekuensi serta penanggulangan multikolinearitas pada model regresi pada arikel kita sebelumnya. Secara sederhana pada artikel ini kita definisikan multikolinearitas pada model regresi adalah adanya pola hubungan antar variabel bebas (X) yang signifikan sehingga menimbulkan bias terhadap pola hubungan antara variabel bebas (X) dengan variabel tak bebas (Y) dan dalam pemodelan regresi hal ini sangat dihindari.

Dalam Eviews tidak terdapat menu analisis yang menyediakan secara khusus untuk menguji multikolinearitas pada model regresi terbentuk (tidak seperti pada SPSS dimana terdapat nilai Tolerance dan VIF). Dua metode yang mungkin dipakai dalam Eviews untuk menilai multikolinearitas pada model regresi terbentuk adalah dengan menilai nilai korelasi antar variabel X dan meregresikan antar variabel X (regresi auxiliary).

Oleh karenanya dua indikator yang bisa dijadikan patokan bagi peneliti atau data master dalam mengevaluasi multikolinearitas pada model regesi terbentuk dengan menggunakan Eviews diantaranya,

  1. Nilai R-kuadrat yang tinggi, akan tetapi variabel independen banyak yang tidak signifikan.
  2. Dengan menghitung koefisien korelasi antar variabel independen (X). Apabila nilai koefisien korelasinya rendah maka tidak terdapat multikolinearitas dan berlaku sebaliknya.

Pada kesempatan kali ini kita akan tunjukan kedua metode yang dapat digunakan oleh Eviews dalam menilai multikolinearitas pada model regresi terbentuk.

Analisis Korelasi Antar Variabel Independen (X)

  1. Persiapkan data yang kita miliki dalam file excel, pastikan data yang kita set dalam Excel memudahkan software Eviews dalam membacanya. Tampilan data cross section yang akan kita olah seperti tampak pada gambar berikut.

  1. Buka software Eviews dan masukan data yang sudah kita set pada file excel tadi kedalam software Eviews, sehingga tampilan jendela Eviews akan tampak seperti gambar berikut. (Lihat cara entry data pada Eviews pada artikel sebelumnya)

  1. Klik menu Quick, Group Statistics dan pilih pada menu Correlations sehingga jendela Eviews akan tampak seperti gambar berikut. Untuk memproses analisis korelasi pada data, sama halnya dengan analisis regresi pada artikel sebelumnya, secara manual kita ketik nama variabel yang akan di uji korelasinya. Setelahnya kita klik OK.

  1. Setelah klik OK, maka akan tampak hasil analisis korelasi seperti tampak pada gambar berikut.

  1. Terlihat bahwa nilai korelasi antar variabel X terlihat sangat tinggi (0.8105). Hal ini dapat mengindikasikan bahwa pada model regresi mengalami multikolinearitas. Untuk memastikannya kita lakukan uji lanjutan pada data yaitu dengan cara meregresikan antar variabel independen (X).

Regresi Antar Variabel Independen (X)

  1. Kembali pada jendela tampilan Workfile, untuk membuat model regresi berdasarkan variabel yang kita miliki maka klik menu Object, lalu pilih New Object, Equation. Maka akan muncul jendela Eviews seperti tampak pada gambar berikut.

  1. Langkah selanjutnya adalah menuliskan secara manual model regresi yang akan dihitung. Pada kolom Equation Specification, seperti tampak pada gambar berikut. Default method yang dipakai untuk membentuk persamaan regresi adalah Least Squares.

  1. Setelah klik OK maka akan muncul output hasil analisis regresi dengan menggunakan Eviews, seperti tampak pada gambar berikut ini.

  1. Terlihat bahwa nilai koefisien regresi antar variabel X terlihat signifikan dan nilai R-kuadrat yang dihasilkan cukup besar. Hal ini mengkonfirmasikan hasil analisis korelasi sebelumnya serta menjadi indikasi bahwa pada model regresi mengalami multikolinearitas. Sehingga diperlukan proses perbaikan pada model regresi yang dihasilkan, agar model regresi yang digunakan tidak menimbulkan bias pada hasil taksirannya.

Mungkin dari hasil tersebut dapat dikonfirmasikan dengan penggunaan software pembanding seperti SPSS untuk lebih meyakinkan terhadap hasil yang diperoleh (perbedaan metode evaluasi multikolinearitas). Pada bahasan selanjutkan kita akan jelaskan pula cara penggunaan software Eviews untuk pengujian asumsi regresi lainnya diantaranya heteroskedastisitas dan autokorelasi. Sampai jumpa pada pembahasan artikel selanjutnya. SEMANGAT MENCOBA!!!

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

  1. Jika rekan peneliti memerlukan bantuan survey lapangan, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :
  1. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

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

Asumsi Normalitas Dengan Eviews

Asumsi Normalitas Dengan Eviews

Pada artikel sebelumnya pembahasan pada software Eviews sudah menginjak pada pembahasan analisis regresi. Seperti kita ketahui bahwa dalam analisis regresi selain pemodelan dan mengetahui variabel penyebab yang signifikan, ada hal yang lain ketika peneliti menghendaki fungsi penaksiran dari model yaitu pengujian asumsi regresi linear klasik. Seperti kita ketahui bersama pada pembahasan asumsi klasik dengan menggunakan SPSS setidaknya ada 5 asumsi dalam mengevaluasi model regresi terbentuk diantaranya Normalitas, Multikolinearitas, Autokorelasi, Heteroskedastisitas dan Linearitas. Ada baiknya para peneliti atau data master sebelum mendalami pemahaman pengujian asumsi tersebut pada artikel ini, terlebih dahulu membaca dan memahami secara konsep dan penanggulangan ketidakterpenuhinya asumsi-asumsi tersebut, pada artikel-artikel kita terdahulu. Ini dimaksudkan agar tidak menimbulkan kebingungan-kebingungan dan salah paham terhadap hasil output yang dihasilkan pada software SPSS.

Dan pada kesempatan kali ini kita akan awali pembahasan pengujian asumsi regresi linear klasik pada bahasan asumsi Normalitas. Seperti kita ketahui bahwa bahwa amatlah bagus untuk model regresi yang terbentuk jika variabel-varibel yang terlibat dalam pembentukan model memiliki distribusi normal. Akan tetapi secara literatur persyaratan tersebut minimal berlaku pada variabel dependen (Y) dan Residual (e).  Beberapa teknik pengujian yang umum digunakan semisal Kolmogorov – Smirnov dan Shapiro-Wilks serta pada grafik kita dapat mengevaluasi bentuk grafik Q-Q Plot dan Histogram dimana terdapat pada software SPSS.

Sedangkan pada software Eviews untuk pengujian normalitas pada data digunakan dua macam pengukuran yaitu Histogram (seperti pada SPSS) dan uji Jarque-Bera. Uji Jarque-Bera mengukur perbedaan skewness dan kurtosis data dan dibandingkan dengan data apabila bersifat normal. Sama halnya dengan uji pada Kolmogorov Smirnov, H0 pada pengujian Jarque-Bera menyatakan bahwa data berdistribusi normal dan pendekatan pengujian dengan statistik Chi-Square.

Adapun tahapan penggunaan Eviews untuk menguji normalitas pada data sebagai berikut.

  1. Siapkan data yang akan diuji normalitasnya pada software Microsoft Excel, seperti tampak pada gambar berikut. Pastikan tampilan pada Excel memudahkan peneliti atau data master dalam proses penginputan pada software Eviews. (cara input data pada Eviews dapat membaca artikel sebelumnya).

  1. Buka software Eviews dan import data yang sudah disiapkan seperti pada poin 1 kedalam software Eviews. Sehingga tampak tampilan jendela Eviews sebagai berikut.

  1. Untuk mendapatkan model regresi dan nilai residualnya (resid), langkah selanjutnya adalah menuliskan secara manual model regresi yang akan dihitung pada kolom Equation Specification (menu Quick, Estimate Equation). Default method yang dipakai untuk membentuk persamaan regresi adalah Least Squares. (kecuali menghendaki metode lain sesuai dengan teori dapat memilih pilihan metode yang dimiliki oleh Eviews). Setelah klik OK maka akan muncul output hasil analisis regresi dengan menggunakan Eviews, seperti tampak pada gambar berikut ini.

  1. Untuk menguji normalitas pada residual (resid), klik menu View, Descriptive Statistics pilih Histogram and Stats, maka akan tampilan jendela Eviews sebagai berikut. (Uji normalitas pada Eviews secara satu per satu (dengan histogram)).

  1. Untuk menguji normalitas pada residual (resid) dan variabel lainnya, klik menu View, Descriptive Statistics pilih Common Samples, maka akan tampilan jendela Eviews sebagai berikut. (Uji normalitas pada Eviews dilakukan pada beberapa variabel sekaligus (tanpa histogram)).

  1. Setelah didapat output pada poin 4 atau 5, maka kriteria uji yang dikenakan pada hasil pengolahan data adalah sebagai berikut :
    • Bila nilai J-B tidak signifikan (lebih kecil dari 2) maka data berdistribusi normal.
    • Bila probabilitas lebih besar dari 5% (tidak signifikan) maka data berdistribusi normal.

Sekali lagi, dengan menggunakan software dan pada kesempatan kali ini dengan menggunakan Eviews sekiranya mempermudah proses pembuktian pemenuhan asumsi normalitas bagi model regresi yang dihasilkan. Pada bahasan selanjutkan kita akan jelaskan pula cara penggunaan software Eviews untuk pengujian asumsi regresi lainnya diantaranya multikolinieritas, heteroskedastisitas dan autokorelasi. Sampai jumpa pada pembahasan artikel selanjutnya. SEMANGAT MENCOBA!!!

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

  1. Jika rekan peneliti memerlukan bantuan survey lapangan, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :
  1. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

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

Analisis Regresi Dengan Eviews

Analisis Regresi Dengan Eviews

Artiket sebelumnya kita sudah sedikit mengenalkan lingkungan dari software Eviews. Kita pelajari bersama bagaimana cara melakukan input data yang kita miliki kedalam software Eviews. Beberapa tampilan jendela Eviews sudah kita jelaskan dan beberapa akan kita jelaskan bersamaan dengan proses analisis yang dilakukan pada data atau variabel yang sudah terdaftar pada jendela Eviews.

Pada kesempatan kali ini kita akan tunjukan pengolahan analisis regresi dengan menggunakan Eviews. Sekali lagi bahwa Eviews software statistik yang sangat cocok dalam menganalisis type data deret waktu (time series) akan tetapi dalam software Eviews difasilitasi juga pengolahan data cross section dan kombinasinya (data panel).

Berikut kita uraikan tahapan-tahapan dalam menganalisis data cross section dengan menggunakan Eviews.

Menampilkan Data

  1. Persiapkan data yang kita miliki dalam file excel, pastikan data yang kita set dalam Excel memudahkan software Eviews dalam membacanya. Tampilan data cross section yang akan kita olah seperti tampak pada gambar berikut.

  1. Buka software Eviews dan masukan data yang sudah kita set pada file excel tadi kedalam software Eviews, sehingga tampilan jendela Eviews akan tampak seperti gambar berikut. (Lihat cara entry data pada Eviews pada artikel sebelumnya)

  1. Untuk membuka variabel pada jendela work sheet secara bersamaan maka tekan Ctrl dan klik pada variabel secara berurutan yang akan ditampilkan pada jendela work sheet Eviews, seperti tampak pada gambar berikut.

Gambar 1. Menampilkan Variabel Secara Bersamaan (Group)

Gambar 2. Work Sheet Variabel Pada Jendela Eviews

Statistik Deskriptif

  1. Setelah kita berhasil menampilkan data seperti pada poin 3, untuk mendapatkan statistik deskriptif dari data pada work sheet Eviews maka klik menu View pilih Descriptive Stats, Individual Samples. Maka statistik deskriptif dari data akan tampak seperti pada gambar berikut.

Model Regresi

  1. Kembali pada jendela tampilan Workfile, untuk membuat model regresi berdasarkan variabel yang kita miliki maka klik menu Object, lalu pilih New Object, Equation. Maka akan muncul jendela Eviews seperti tampak pada gambar berikut.

  1. Langkah selanjutnya adalah menuliskan secara manual model regresi yang akan dihitung. Pada kolom Equation Specification, seperti tampak pada gambar berikut. Default method yang dipakai untuk membentuk persamaan regresi adalah Least Squares. (kecuali menghendaki metode lain sesuai dengan teori dapat memilih pilihan metode yang dimiliki oleh Eviews).

Gambar 1. Model Persamaan Regresi

Gambar 2. Pilihan Metode Dalam Eviews

  1. Setelah klik OK maka akan muncul output hasil analisis regresi dengan menggunakan Eviews, seperti tampak pada gambar berikut ini.

Persamaan Regresi

  1. Setelah kita peroleh output regresi seperti pada poin 7, maka Eviews bisa menghasilkan pula model persamaan matematis berdasarkan output regresi yang dihasilkan. Pada output yang diperoleh pada pon 7, klik View pilih Representations, maka akan tampak persamaan matematis yang dihasilkan seperti pada gambar berikut.

Grafik Regresi

  1. Masih pada jendela Eviews pada poin 7, apabila ingin menampilkan grafik yang menunjukkan antara data dan nilai prediksinya, serta residual regresinya, klik Views pilih Actual, Fitted, Residual dan pilih pada Actual, Fitted, Residual Table, maka akan diperoleh grafik fungsi regresi seperti tampak pada tampilan berikut.

  1. Untuk keperluan interpretasi pada microsoft Word, pada output atau grafik dilakukan dengan cara blok seluruh bagian yang akan dipindahkan lalu Copy dan pilih Formatted agar hasil pemindahan sesuai dengan format asli pada software Eviews.

Mungkin bagi peneliti atau data master yang baru mengenal Eviews dan belum terbiasa dalam menggunakannya, akan terasa cukup rumit dalam pengaplikasinya. Jika dibandingkan dengan software sejenis semisal SPSS, akan ditemui kompleksitas tersendiri sedangkan pada SPSS terlihat sangat lah mudah dan sederhana. Tapi yang paling mendasar dari semua penggunaan aplikasi Statistik adalah pemahaman terhadap teori dasar sehingga kebutuhan output apa saja yang diperlukan akan efektif dan efisien. Pada artikel-artikel selanjutnya kita akan coba jelaskan juga bagaimana cara pengujian asumsi regresi linear klasik dengan menggunakan Eviews. SEMANGAT MENCOBA!!!

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

  1. Jika rekan peneliti memerlukan bantuan survey lapangan, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :
  1. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

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

Eviews Sebagai Tools Statistik

Eviews Sebagai Tools Statistik

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.

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.

  1. 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.

  1. 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.

  1. 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.

  1. 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).

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

  1. 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)

  1. 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.

  1. 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.

  1. 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.

  1. 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.

  1. Untuk mengamankan hasil entry data yang kita miliki kedalam Eviews maka lakukan penyimpanan SAVE, sesuai dengan nama file kerja yang kita kehendaki.
  2. 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, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :
  1. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian, aplikasi software statistik ataupun olahdata.
  • “1st Kirim Pertanyaan, Pasti Kami Jawab . . . InsyaAllah”

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

Analisis Diskriminan Dengan SPSS

Analisis Diskriminan Dengan SPSS

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.

  1. 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.

  1. 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.

  1. 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.

  1. 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.

  1. 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.

  1. 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.

  1. 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.

  1. 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, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :
  1. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian, aplikasi software statistik ataupun olahdata.
  • “1st Kirim Pertanyaan, Pasti Kami Jawab . . . InsyaAllah”

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