Analisis SPSS

1

TEKNIK ANALISIS DATA

Type Data : 1. Data Nominal 1. Data Kategorikal 2. Data Ordinal 2. Data Numerikal (Diskrit – Kontinue) 3. Data Interval 4. Data Ratio

Analisis Data : 1. Analisis Deskriptif (Tabulasi, Grafik)

Data Kategorial : Bar chart, Pie Chart, Pareto. Data Numerik : Grafik line, Scater diagram, order ray, Steam and Leaf,

tabel kontingensi 2. Analisis Inferen (Uji normalitas dan linieritas, Uji validitas dan reliabilitas,

Uji perbedaan, Uji hubungan, lainnya) 3. Kombinasi Dari Keduanya

Materi 1 : Uji Perbedaan Tujuan : Membandingkan ratarata dari 2 group yang tidak berhubungan

DATA

Distribusi

Statistik Parametrik

Statistik Non Parametrik

Normal Tidak Normal

Manual atau Komputerize

Analisis Sec. Statistik

Analisis Sec. Non Statistik

Metode Kuantitatif lainnya

2

satu sama lain Alat analisis : Independent Sample T test

Contoh kasus untuk PI • Rumusan masalah :

Dengan dana pengembangan dan pemasaran produk yang terbatas, perusahaan harus memprioritaskan produk yang secara nyata memang lebih baik dari produk lainnya.

• Pertanyaan penelitian : 1. Mesin tipe manakah yang ratarata kinerja/omset penjualannya lebih baik ? 2. Benarkah ada perbedaan kinerja/omset yang nyata dari kedua produk yang ada,

sehingga prioritas dana yang terbatas tersebut dapat dialokasikan ?

Sample Mesin Tipe A Mesin Tipe B

1 2 3 4 5 6 7 8 9

250 255 254 215 265 211 242 215 255

302 312 295 248 267 222 308 350 331

Hipotesa : Ho : Kedua Popolasi memiliki ratarata yang identik/sama, atau

Tidak ada perbedaan ratarata dari kedua populasi, atau Ratarata omset mesin tipe A dan mesin tipe B adalah sama

3

Hasil :

Independent Samples Test

2.775 .115 3.464 16 .003 52.56 15.17 84.72 20.39

3.464 11.954 .005 52.56 15.17 85.62 19.49

Equal variances assumed Equal variances not assumed

OMSET F Sig.

Levene's Test for Equality of Variances

t df Sig. (2tailed) Mean

Difference Std. Error Difference Lower Upper

95% Confidence Interval of the Difference

ttest for Equality of Means

Kesimpulan : 1. Kedua sampel, baik diasumsikan / memiliki variance yang sama atau tidak,

memberikan hasil Ho ditolak (lihat kolom Sig. (2tailed)). Dengan kata lain, perbedaan kinerja yang terjadi memang nyata dan dana sebaiknya dialokasikan pada meisn tipe B.

4

Materi 2 : Uji Perbedaan Tujuan : Membandingkan ratarata dari 2 group yang berpasangan Alat analisis : Paired Sample T test


Perusahaan melihat bahwa selama ini biaya yang diperlukan untuk keperluan merger dengan perusahaan lain cukup besar. Oleh karena itu perusahaan perlu mengetahui dampak merger terhadap kinerja perusahaan.

• Pertanyaan penelitian : 1. Bagaimana kinerja sebelum dan setelah dilakukannya merger ? 2. Benarkah merger yang telah dilakukan telah mampu memperbaiki kinerja

perusahaan ?

Sample Sebelum merger

Sesudah merger

1 2 3 4 5 6 7

224 231 223 251 264 222 235

255 251 254 225 245 268 215

Hipotesa : Ho : Kedua Popolasi memiliki ratarata yang identik/sama, atau

Tidak ada perbedaan ratarata dari kedua populasi, antara sebelum dan setelah dilakukannya promosi, atau Merger tidak efektif dalam meningkatkan kinerja perusahaan

5

Hasil :

Paired Samples Statistics

235.71 7 16.04 6.06 244.71 7 18.46 6.98

SEBELUM SESUDAH

Pair 1

Mean N Std. Deviation Std. Error Mean

Paired Samples Test

9.00 29.74 11.24 36.51 18.51 .801 6 .454 SEBELUM SESUDAH

Pair 1

Mean Std.

Deviation Std. Error Mean Lower Upper

95% Confidence Interval of the Difference

Paired Differences

t df Sig.

(2tailed)

Kesimpulan : 1. Karena nilai Sig. (2tailed) > dari 0,05, maka Ho diterima 2. Artinya, tidak ada perbedaan kinerja dari sebelum dan setelah adanya merger,

atau dengan kata lain meskipun terlihat bahwa ratarata kinerja setelah merger lebih baik, namun hal tersebut tidaklah signifikan.

6

Materi 3 : Uji Perbedaan > 2 sample ( tipe 1) Tujuan : Membandingkan ratarata dari lebih 2 sample Alat analisis : Anova


Saat ini perusahaan telah dapat melayani tiga pasar. Perusahaan melihat sepertinya promosi yang dilakukan telah memberi dampak yang berbedabeda pada ketiga pasar tersebut.

• Pertanyaan penelitian : 1. Bagaimana kinerja pemasaran dari ketiga pasar tersebut ? 2. Benarkah kegiatan promosi yang dilakukan telah memberi dampak yang

berlainan untuk masingmasing pasar ? 3. Bagaimana perusahaan menyikapi hal tersebut ?

Hipotesa : Ho : Ketiga Popolasi memiliki ratarata yang identik/sama, atau

Tidak ada perbedaan ratarata dari ketiga populasi, atau Dampak yang ditimbulkan oleh aktivitas promosi terhadap omset di ketiga pasar adalah sama

Hasil :

7

Oneway

Descriptives

SALES

15 25.547 2.608 .673 24.102 26.991 22.0 31.0 13 31.177 4.856 1.347 28.242 34.112 22.0 37.0 10 41.490 4.051 1.281 38.592 44.388 33.7 45.7 38 31.668 7.454 1.209 29.218 34.119 22.0 45.7

bandung surabaya semarang Total

N Mean Std.

Deviation Std. Error

Lower Bound

Upper Bound

95% Confidence Interval for Mean

Minimum Maximum

ANOVA

SALES

1529.913 2 764.956 50.903 .000 525.969 35 15.028 2055.882 37

Between Groups Within Groups Total

Sum of Squares df Mean Square F Sig.

Homogeneous Subsets

SALES

15 25.547 13 31.177 10 41.490

1.000 1.000 1.000

daerah penjualan kaos bandung surabaya semarang Sig.

Tukey HSD a,b N 1 2 3

Subset for alpha = .05

Means for groups in homogeneous subsets are displayed. Uses Harmonic Mean Sample Size = 12.316. a.

The group sizes are unequal. The harmonic mean of the group sizes is used. Type I error levels are not guaranteed.

b.

Kesimpulan : 1. Dari tabel Anova, Karena nilai Sig. (2tailed) < dari 0,05, maka Ho ditolak,

artinya ada perbedaan kinerja dari ketiga sampel yang diamati (tapi yang mana ?) Dengan kata lain, memang benar bahwa promosi yang dilakukan memang telah memberi dampak yang berlainan untuk masingmasing pasar.

2. Dari tabel Homogeneous Subsets, semuanya merata berbeda secara nyata

8

Materi 4 : Uji Perbedaan > 2 sample ( tipe 2) Tujuan : Membandingkan ratarata dari lebih 2 sample Alat analisis : General Linier Model Univariate Contoh kasus :

Hipotesa : Ho : Tidak ada perbedaan omset antar kaos polos dan motif di ketiga pasar tersebut

(satu faktor), dan Tidak ada interaksi antara daerah penjualan dan jenis kaos (dua faktor)

Hasil :

Univariate Analysis of Variance

9

Tests of BetweenSubjects Effects

Dependent Variable: SALES

1681.984 a 5 336.397 28.790 .000 39379.180 1 39379.180 3370.260 .000 1511.569 2 755.784 64.684 .000

7.044 1 7.044 .603 .443 146.985 2 73.492 6.290 .005 373.898 32 11.684

40165.660 38 2055.882 37

Source Corrected Model Intercept DAERAH KAOS DAERAH * KAOS Error Total Corrected Total

Type III Sum of Squares df Mean Square F Sig.

R Squared = .818 (Adjusted R Squared = .790) a.

Kesimpulan : 1. Ternyata jenis kaos (polos dan motif), tidak menjadikan omset di ketiga kota

menjadi berbeda (nilai sig.nya 0,443 > 0,0 (nilai sig.nya 0,443 > 0,05) 2. Karena nilai sig. Untuk daerah*kaos adalah 0,005 < 0,05, berarti ada interaksi

antara daerah pasar dan jenis kaos, artinya jenis kaos memang mempengarui omset di daerah pasar tertentu.

Materi 5 : Uji Asosisi (hubungan) 2 variabel Nominal Tujuan : Menganalisis hubungan, arah, dan intensitasnya dari 2 variabel nominal Alat analisis : Crosstab


Perusahaan merasa bahwa desain kaos (motif atau polos) sangat berhubungan status dan pekerjaan konsumen.

• Pertanyaan penelitian : 1. Adakah hubungan antara jenis pekerjaan dan jenis kaos yang dipilih? 2. Adakah pengaruh yang nyata dari faktor bidang pekerjaan konsumen terhadap

jenis kaos yang dipilih ?

10

Hipotesa : Ho : Tidak ada hubungan antara vaiael baris dan variabel kolom, atau

Tidak ada pengaruh bidang/jenis kerja terhadap perilaku membeli kaos

Hasil :

Crosstabs

ChiSquare Tests

7.213 a 2 .027 8.097 2 .017

4.265 1 .039

30

Pearson ChiSquare Likelihood Ratio LinearbyLinear Association N of Valid Cases

Value df Asymp. Sig. (2sided)

3 cells (50.0%) have expected count less than 5. The minimum expected count is 2.93.

a.

11

Symmetric Measures

.440 .027 30

Contingency Coefficient Nominal by Nominal N of Valid Cases

Value Approx. Sig.

Not assuming the null hypothesis. a.

Using the asymptotic standard error assuming the null hypothesis. b.

Kesimpulan : 1. Dari nilai Asymp. Sig Pearson Chisquare yang sebesar 0,027 < 0,05, maka dapat

disimpulkan memang ada hubungan yang nyata antara bidang kerja dengan perilaku memilih motif kaos

2. Nilai contingency coefficien yang sebesar 0,440 dan signifikan, menunjukkan bahwa ada pengaruh yang cukup kuat dari bidang kerja terhadap perilaku konsumen dalam membeli kaos.

Materi 6 : Uji Asosisi 2 variabel Ordinal Tujuan : Menganalisis hubungan, arah, dan intensitasnya Alat analisis : Corelate Bivariate


Keberhasilan suatu produk tidak hanya ditentukan oleh atribut produk ybs., namun juga dapat dipengaruhi oleh sikap, persepsi hingga loyalitas konsumen. Oleh karena itu pemahaman terhadap variabelvariabel tersebut menjadi sangat perlu.

• Pertanyaan penelitian : 1. Adakah hubungan antara sikap, persepsi dan loyalitas konsumen dengan

frekuensi pembelian mereka? 2. Adakah pengaruh yang nyata dari sikap, persepsi, dan loyalitas terhadap

frekuensi pembelian konsumen?

Hipotesa : Ho : Tidak ada hubungan antara sikap, persepsi dan loyalitas dengan frekuensi

pembelian konsumen, atau Tidak ada pengaruh yang nyata dari sikap, persepsi, dan loyalitas terhadap frekuensi pembelian konsumen

Hasil :

Nonparametric Correlations

12

Correlations

1.000 .536** .227 . .002 .188

30 30 30 .536** 1.000 .285 .002 . .116 30 30 30

.227 .285 1.000 .188 .116 .

30 30 30

1.000 .564** .250 . .001 .182

30 30 30 .564** 1.000 .292 .001 . .117 30 30 30

.250 .292 1.000 .182 .117 .

30 30 30

Correlation Coefficient Sig. (2tailed) N Correlation Coefficient Sig. (2tailed) N Correlation Coefficient Sig. (2tailed) N

Correlation Coefficient Sig. (2tailed) N Correlation Coefficient Sig. (2tailed) N Correlation Coefficient Sig. (2tailed) N

sikap konsumen

Loyalitas Konsumen

frekuensi pembelian kaos

sikap konsumen

Loyalitas Konsumen

frekuensi pembelian kaos

Kendall's tau_b

Spearman's rho

sikap konsumen

Loyalitas Konsumen

frekuensi pembelian

kaos

Correlation is significant at the .01 level (2tailed). **.

Materi 7 : Uji Asosisi 2 variabel Interval dan Rasio, analisis regresi Tujuan : Menganalisis hubungan, arah, intensitasnya, model regresi Alat analisis : Corelate – Bivariate, regresi


Keberhasilan penjualan suatu produk ditentukan oleh promosi penjualan yang dikeluarkan oleh perusahaan tersebut. Oleh karena itu pemahaman terhadap variabel tersebut menjadi sangat perlu.

• Pertanyaan penelitian : 1. Adakah hubungan antara promosi dengan jumlah penjualan ? 2. Adakah pengaruh yang nyata promosi terhadap jumlah penjualan?

Hipotesa : Ho : Tidak ada hubungan antara promosi terhadap jumlah penjualan Tidak ada pengaruh yang nyata dari promosi terhadap Jumlah penjualan

13

Hasil :

Regression Descriptive Statistics

246.40 41.113 15 34.67 9.678 15

SALES PROMOSI

Mean Std. Deviation N

Correlations

1.000 .916 .916 1.000

. .000 .000 . 15 15 15 15

SALES PROMOSI SALES PROMOSI SALES PROMOSI

Pearson Correlation

Sig. (1tailed)

N

SALES PROMOSI

Dapat dianalisis : Mean, St. deviasi , korelasi dan significansinya.

Variables Entered/Removed b

PROMOSI a . Enter Model 1

Variables Entered

Variables Removed Method

All requested variables entered. a.

Dependent Variable: SALES b.

Model Summary b

.916 a .839 .826 17.127 Model 1

R R Square Adjusted R Square

Std. Error of the Estimate

Predictors: (Constant), PROMOSI a.


Dapat dianalisis : R square, st.error estimate dibandingkan dengan st. dev.

14

ANOVA b

19850.334 1 19850.334 67.673 .000 a

3813.266 13 293.328 23663.600 14

Regression Residual Total

Model 1


Predictors: (Constant), PROMOSI a.


Uji Anova, untuk memprediksi kevalidan model regresi dalam melakukan prediksi dari var. Bebas ke var. Terikat.

Coefficients a

111.523 16.982 6.567 .000 3.891 .473 .916 8.226 .000

(Constant) PROMOSI

Model 1

B Std. Error

Unstandardized Coefficients

Beta

Standardized Coefficients

t Sig.

Dependent Variable: SALES a.

Dari table ini dihasilkan persamaan regresi dan uji t untuk signifikansi tiap variable regresi.

Casewise Diagnostics a

YOGYA 1.124 209 228.24 19.24 PEKALO NG 2.748 322 274.93 47.07

Case Number 8 15

DAERAH Std. Residual SALES Predicted Value Residual


Charts

15

Normal PP Plot of Regression Standardized Residual


Observed Cum Prob

1.00 .75 .50 .25 0.00

Expected Cum

Prob

1.00

.75

.50

.25

0.00

BOGOR

MADIUN BANDUNG BEKASI SOLO

SURABAYA KUDUS

JAKARTA TUBAN MALANG SEMARANG TANGERAN PURWOKER

YOGYA

Untuk analisis NORMALITAS, Jk normal, maka sebaran data akan terletak di sekitar garis.

Scatterplot


Regression Standardized Predicted Value

2.5 2.0 1.5 1.0 .5 0.0 .5 1.0 1.5

Regression Studentized Deleted (P

ress) R

esidual

5

4

3

2

1

0

1

2

PEKALONG

KUDUS

MALANG TUBAN

MADIUN

PURWOKER

SURABAYA

YOGYA

SOLO

SEMARANG

BANDUNG BOGOR

BEKASI

TANGERAN JAKARTA

Untuk analisis kelayakan Model Regresi (model Fit) Jika model layak, maka data akan berada di sekitar angka nol pada sumbu Y, dan tidak membentuk suatu pola tertentu.

16

Scatterplot


SALES

340 320 300 280 260 240 220 200

Regression Standardized Predicted Value

2.5

2.0

1.5

1.0

.5

0.0

.5

1.0

1.5

PEKALONG KUDUS

MALANG

TUBAN

MADIUN PURWOKER

SURABAYA

YOGYA SOLO

SEMARANG

BANDUNG

BOGOR

BEKASI

TANGERAN JAKARTA

Untuk analisis hubungan antara varibel terikat dengan prediksinya. Jika model memenuhi syarat, maka terlihat sebaran data menyebar pada suatu garis lurus.

Materi 8 : Analisis regresi berganda Tujuan : Menganalisis model regresi Alat analisis : regresi


Keberhasilan penjualan suatu produk ditentukan oleh promosi penjualan yang dikeluarkan oleh perusahaan tersebut dan jumlah outlet. Oleh karena itu pemahaman terhadap variabeltersebut menjadi sangat perlu.

• Pertanyaan penelitian : 1. Adakah hubungan antara promosi dan jumlah outlet dengan jumlah

penjualan? 2. Adakah pengaruh yang nyata promosi dan jumlah outlet terhadap jumlah

penjualan?

Hipotesa : Ho: Tidak ada hubungan antara promosi, jumlah outletterhadap jumlah penjualan

Tidak ada pengaruh yang nyata dari promosi dan jumlah outlet terhadap Jumlah penjualan

Hasil : Regression

17

Descriptive Statistics

246.40 41.113 15 34.67 9.678 15 187.93 38.087 15

SALES PROMOSI OUTLET


Correlations

1.000 .916 .901 .916 1.000 .735 .901 .735 1.000

. .000 .000 .000 . .001 .000 .001 . 15 15 15 15 15 15 15 15 15

SALES PROMOSI OUTLET SALES PROMOSI OUTLET SALES PROMOSI OUTLET

Pearson Correlation

Sig. (1tailed)

N

SALES PROMOSI OUTLET

Ratarata, standard deviasi masingmasing variable Besar hubungan dari tiap pasang variable Nilai signifikasni koefisien korelasi


OUTLET, PROMOSI

a . Enter

Model 1

Variables Entered




Model Summary b

.976 a .952 .944 9.757 Model 1



Predictors: (Constant), OUTLET, PROMOSI a.


18

ANOVA b

22521.299 2 11260.649 118.294 .000 a

1142.301 12 95.192 23663.600 14

Regression Residual Total

Model 1


Predictors: (Constant), OUTLET, PROMOSI a.


Coefficients a

64.639 13.112 4.930 .000 2.342 .398 .551 5.892 .000 .535 .101 .496 5.297 .000

(Constant) PROMOSI OUTLET

Model 1

B Std. Error


Beta


t Sig.


Analisis : Uji F , untuk signifikansi model regresi. Menentukan persamaan regresi

Charts Hubungan sales dengan promosi

Partial Regression Plot


PROMOSI

20 10 0 10 20

SALE

S

50

40

30

20

10

0

10

20

30

PEKALONG

KUDUS

MALANG

TUBAN

MADIUN

PURWOKER

SURABAYAYOGYA SOLO

SEMARANG

BANDUNG

BOGOR BEKASI

TANGERAN JAKARTA

Sebaran data membentuk arah ke kanan atas, slope positif.

19

Hubungan Sales dengan Outlet Partial Regression Plot


OUTLET

80 60 40 20 0 20 40

SALE

S

50

40

30

20

10

0

10

20

PEKALONG

KUDUS

MALANG TUBAN

MADIUN

PURWOKER

SURABAYA

YOGYA

SOLO

SEMARANG

BANDUNG

BOGOR

BEKASI

TANGERAN

JAKARTA

Materi 9 : Analisis regresi berganda , multikoleniaritas Tujuan : Menganalisis model regresi Alat analisis : regresi


Keberhasilan penjualan suatu produk ditentukan oleh promosi penjualan yang dikeluarkan oleh perusahaan tersebut dan jumlah outlet. Oleh karena itu pemahaman terhadap variabeltersebut menjadi sangat perlu.

• Pertanyaan penelitian : 1. Adakah hubungan antara promosi dan jumlah outlet dengan jumlah

penjualan? 2. Adakah pengaruh yang nyata promosi dan jumlah outlet terhadap jumlah

penjualan?

Hipotesa : Ho: Tidak ada hubungan antara promosi, jumlah outletterhadap jumlah penjualan

Tidak ada pengaruh yang nyata dari promosi dan jumlah outlet terhadap Jumlah penjualan

Hasil :

Regression

20

Descriptive Statistics

246.40 41.113 15 34.67 9.678 15 187.93 38.087 15 1.9833 .50700 15 16.20 3.877 15 3.3280 .92213 15

SALES PROMOSI OUTLET LAJU_PEN PESAING INCOME


Correlations

1.000 .916 .901 .143 .744 .287 .916 1.000 .735 .062 .796 .339 .901 .735 1.000 .199 .574 .252 .143 .062 .199 1.000 .495 .111 .744 .796 .574 .495 1.000 .073 .287 .339 .252 .111 .073 1.000

. .000 .000 .305 .001 .150 .000 . .001 .413 .000 .108 .000 .001 . .238 .013 .183 .305 .413 .238 . .030 .347 .001 .000 .013 .030 . .397 .150 .108 .183 .347 .397 . 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15

SALES PROMOSI OUTLET LAJU_PEN PESAING INCOME SALES PROMOSI OUTLET LAJU_PEN PESAING INCOME SALES PROMOSI OUTLET LAJU_PEN PESAING INCOME

Pearson Correlation

Sig. (1tailed)

N

SALES PROMOSI OUTLET LAJU_PEN PESAING INCOME

21


INCOME, PESAING, LAJU_PE N,OUTLET, PROMOSI

a

. Enter

. INCOME

Backward (criterion: Probabilit y of Ftoremo ve >= .100).

. LAJU_PEN


. PESAING


Model 1

2

3

4

Variables Entered




Model Summary e

.976 a .954 .928 11.051

.976 b .953 .935 10.497

.976 c .953 .940 10.067

.976 d .952 .944 9.757

Model 1 2 3 4



Predictors: (Constant), INCOME, PESAING, LAJU_PEN, OUTLET, PROMOSI

a.

Predictors: (Constant), PESAING, LAJU_PEN, OUTLET, PROMOSI

b.

Predictors: (Constant), PESAING, OUTLET, PROMOSI c.

Predictors: (Constant), OUTLET, PROMOSI d.

Dependent Variable: SALES e.

22

ANOVA e

22564.432 5 4512.886 36.952 .000 a

1099.168 9 122.130 23663.600 14 22561.748 4 5640.437 51.191 .000 b

1101.852 10 110.185 23663.600 14 22548.747 3 7516.249 74.161 .000 c

1114.853 11 101.350 23663.600 14 22521.299 2 11260.649 118.294 .000 d

1142.301 12 95.192 23663.600 14

Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total

Model 1

2

3

4


Predictors: (Constant), INCOME, PESAING, LAJU_PEN, OUTLET, PROMOSI a.

Predictors: (Constant), PESAING, LAJU_PEN, OUTLET, PROMOSI b.

Predictors: (Constant), PESAING, OUTLET, PROMOSI c.

Predictors: (Constant), OUTLET, PROMOSI d.

Dependent Variable: SALES e.

Coefficients a

50.126 36.000 1.392 .197 2.017 .924 .475 2.183 .057 .109 9.162 .550 .123 .509 4.455 .002 .395 2.534 2.760 9.485 .034 .291 .778 .377 2.651 .970 2.099 .091 .462 .655 .132 7.592 .548 3.698 .012 .148 .885 .750 1.333

51.275 33.393 1.536 .156 1.960 .797 .461 2.459 .034 .132 7.556 .551 .117 .511 4.717 .001 .397 2.518 3.035 8.835 .037 .343 .738 .392 2.549 1.084 1.855 .102 .584 .572 .152 6.573 61.435 14.864 4.133 .002 2.148 .555 .506 3.870 .003 .251 3.985 .537 .104 .497 5.146 .000 .459 2.179 .597 1.147 .056 .520 .613 .366 2.729

64.639 13.112 4.930 .000 2.342 .398 .551 5.892 .000 .459 2.177 .535 .101 .496 5.297 .000 .459 2.177

(Constant) PROMOSI OUTLET LAJU_PEN PESAING INCOME (Constant) PROMOSI OUTLET LAJU_PEN PESAING (Constant) PROMOSI OUTLET PESAING (Constant) PROMOSI OUTLET

Model 1

2

3

4

B Std. Error


Beta


t Sig. Tolerance VIF Collinearity Statistics


23

Analisis : R 2 = 1 – Tolerance, variabilitas variable 1 dipengaruhi / dapat

dijelaskan oleh predictor (variable bebas) yang lain. VIF = 1/tolerance.

Jika VIF > 5, terdapat multikolinearitas

Collinearity Diagnostics a

5.774 1.000 .00 .00 .00 .00 .00 .00 .120 6.944 .00 .01 .01 .04 .01 .13

7.567E02 8.735 .00 .00 .00 .15 .01 .26 1.701E02 18.423 .01 .05 .55 .05 .06 .02 1.108E02 22.827 .28 .13 .07 .01 .08 .54 2.452E03 48.526 .71 .81 .37 .75 .84 .05

4.857 1.000 .00 .00 .00 .00 .00 .101 6.942 .00 .01 .00 .14 .02

2.342E02 14.400 .12 .17 .00 .09 .02 1.648E02 17.169 .00 .01 .62 .02 .13 2.552E03 43.623 .88 .81 .37 .75 .84

3.937 1.000 .00 .00 .00 .00 3.723E02 10.284 .48 .14 .00 .04 1.751E02 14.994 .08 .03 .46 .47 8.330E03 21.740 .44 .82 .53 .48

2.954 1.000 .00 .00 .00 3.462E02 9.237 .58 .41 .00 1.124E02 16.210 .42 .59 1.00

Dimension 1 2 3 4 5 6 1 2 3 4 5 1 2 3 4 1 2 3

Model 1

2

3

4

Eigenvalue Condition Index (Constant) PROMOSI OUTLET LAJU_PEN PESAING INCOME

Variance Proportions


Analisis : Eigenvalue mendekati 0, terjadi multikolinearitas. Condition Index melebihi 15, terjadi multikolinearitas,

Jika melebihi 30, sangat serius problem multikolinearitas.

Excluded Variables d

.012 a .148 .885 .049 .750 1.333 .109

.017 b .219 .831 .069 .780 1.282 .211

.037 b .343 .738 .108 .392 2.549 .132

.027 c .393 .702 .118 .885 1.130 .434 .011 c .165 .872 .050 .945 1.058 .436 .056 c .520 .613 .155 .366 2.729 .251

INCOME INCOME LAJU_PEN INCOME LAJU_PEN PESAING

Model 2 3

4

Beta In t Sig. Partial

Correlation Tolerance VIF Minimum Tolerance

Collinearity Statistics

Predictors in the Model: (Constant), PESAING, LAJU_PEN, OUTLET, PROMOSI a.

Predictors in the Model: (Constant), PESAING, OUTLET, PROMOSI b.

Predictors in the Model: (Constant), OUTLET, PROMOSI c.

Dependent Variable: SALES d.

24

Materi 7 : Analisis Diskriminan Tujuan : Mengelompokkan objek kedalam 2 atau lebih kelompok berdasar kriteria

Sejumlah variabel bebas. Alat analisis : Discriminant Analysis

• Rumusan masalah : Sebuah Supermarket mendapai bahwa sepertinya konsumen yang datang dapat dikelompokkan dalam 2 kelompok, yakni pengunjung yang jering membeli dan yang jarang membeli. Dengan kenyataan tersebut, pihak manajemen ingin mengetahui berbagai variabel yang diduga turut memberi kontribusi pada perbedaan perilaku pengunjung dalam membeli tersebut.

• Pertanyaan penelitian : 1. Apakah perilaku pembeli (yang sering dan jarang beli) benarbenar berbeda ? 2. Jika ada, variabel bebas manakah yang membedakan perilaku beli konsumen

tersebut ? 3. Manakah vaiabel bebas penentu perilaku yang paling penting ?

Hasilnya :

Discriminant

25

Tests of Equality of Group Means

.996 .386 1 103 .536

.989 1.165 1 103 .283

.922 8.693 1 103 .004

.860 16.828 1 103 .000

.989 1.094 1 103 .298

.991 .957 1 103 .330

.997 .315 1 103 .576

.982 1.937 1 103 .167

.860 16.752 1 103 .000

.998 .204 1 103 .652

LAYOUT LENGKAP HARGA MUSIK AC LAMPU PELKAR PELKASIR PROMOSI IMAGE

Wilks' Lambda F df1 df2 Sig.

Stepwise Statistics

Variables Entered/Removed a,b,c,d

MUSIK .643 sering and jarang 16.828 1 103.000 8.198E05

PROMOSI 1.002 sering and jarang 12.988 2 102.000 9.443E06

IMAGE 1.257 sering and jarang 10.758 3 101.000 3.393E06

HARGA 1.591 sering and jarang 10.117 4 100.000 6.439E07

Step 1

2

3

4

Entered Statistic Between Groups Statistic df1 df2 Sig.

Exact F

Min. D Squared

At each step, the variable that maximizes the Mahalanobis distance between the two closest groups is entered.

Maximum number of steps is 20. a.

Maximum significance of F to enter is .05. b.

Minimum significance of F to remove is .10. c.

F level, tolerance, or VIN insufficient for further computation. d.

26

Wilks' Lambda

1 .860 1 1 103 16.828 1 103.000 8.198E05 2 .797 2 1 103 12.988 2 102.000 9.443E06 3 .758 3 1 103 10.758 3 101.000 3.393E06 4 .712 4 1 103 10.117 4 100.000 6.439E07

Step 1 2 3 4

Number of Variables Lambda df1 df2 df3 Statistic df1 df2 Sig.

Exact F

Summary of Canonical Discriminant Functions

Eigenvalues

.405 a 100.0 100.0 .537 Function 1

Eigenvalue % of Variance Cumulative % Canonical Correlation

First 1 canonical discriminant functions were used in the analysis.

a.

Wilks' Lambda

.712 34.321 4 .000 Test of Function(s) 1

Wilks' Lambda Chisquare df Sig.

Structure Matrix

.635 .634 .457 .298 .202 .179 .123 .117 .083 .070

MUSIK PROMOSI HARGA LAMPU a

LENGKAP a

AC a

PELKASIR a

LAYOUT a

PELKAR a

IMAGE

1 Function

Pooled withingroups correlations between discriminating variables and standardized canonical discriminant functions Variables ordered by absolute size of correlation within function.

This variable not used in the analysis. a.

Kesimpulan : 1. Dari tabel Wilk’s lambda mengindikasikan perbedaan yang nyata dari kedua

kelompok pengunjung Supermarket pada model diskriminan yang terbentuk

27

2. Dari tabel variable Entered/Removed dapat dijelaskan bahwa ternyata perilaku sering atau jarang membeli konsumen di Supermarket tersebut, dipengaruhi oleh sikap konsumen pada faktor musik, promosi, image, dan harga.

3. Tabel Structure Matrix, menunjukkan kepada manajemen bahwa tanpa memperhatikan tanda di depannya dan yang tidak bertanda a, maka tampaknya music menjadi variabel yang paling membedakan perilaku sering dan tidaknya pengunjung melakukan pembelian.

28

Materi 8 : Analisis Faktor Tujuan : Mereduksi berbagai variabel menjadi beberapa kelopok faktor Alat analisis : Factor Analysis Contoh kasus :

Hasil :

Factor Analysis

KMO and Bartlett's Test

.552

87.437 28

.000

KaiserMeyerOlkin Measure of Sampling Adequacy.

Approx. ChiSquare df Sig.

Bartlett's Test of Sphericity

29

Antiimage Matrices

.929 8.15E02 .105 2.857E03 .141 3.102E02 7.404E02 9.21E02 8.15E02 .679 9.569E02 .297 9.872E02 .153 .110 .203

.105 9.569E02 .809 .133 .108 7.32E02 .206 4.172E02 2.857E03 .297 .133 .757 .155 4.68E02 .122 2.942E02

.141 9.872E02 .108 .155 .855 4.32E02 4.929E02 .214 3.102E02 .153 7.32E02 4.68E02 4.316E02 .840 .169 3.153E02 7.404E02 .110 .206 .122 4.929E02 .169 .792 7.63E02 9.21E02 .203 4.172E02 2.942E02 .214 3.153E02 7.63E02 .849

.528 a .103 .121 3.409E03 .158 3.513E02 8.631E02 .104 .103 .513 a .129 .415 .130 .203 .150 .267 .121 .129 .624 a .170 .130 8.88E02 .257 5.034E02

3.409E03 .415 .170 .474 a .193 5.87E02 .158 3.672E02 .158 .130 .130 .193 .476 a 5.09E02 5.988E02 .252

3.513E02 .203 8.88E02 5.87E02 5.095E02 .708 a .207 3.735E02 8.631E02 .150 .257 .158 5.988E02 .207 .614 a 9.30E02

.104 .267 5.034E02 3.672E02 .252 3.735E02 9.30E02 .505 a

LAYOUT LENGKAP HARGA PELKAR PELKASIR PROMOSI IMAGE BERSIH LAYOUT LENGKAP HARGA PELKAR PELKASIR PROMOSI IMAGE BERSIH

Antiimage Covariance

Antiimage Correlation

LAYOUT LENGKAP HARGA PELKAR PELKASIR PROMOSI IMAGE BERSIH

Measures of Sampling Adequacy(MSA) a.

Factor Analysis

Communalities

1.000 .308 1.000 .577 1.000 .549 1.000 .465 1.000 .599 1.000 .548

LAYOUT LENGKAP HARGA PROMOSI IMAGE BERSIH

Initial Extraction

Extraction Method: Principal Component Analysis.

Total Variance Explained

1.829 30.488 30.488 1.829 30.488 30.488 1.217 20.286 50.774 1.217 20.286 50.774 .944 15.732 66.506 .758 12.637 79.143 .639 10.642 89.785 .613 10.215 100.000

Component 1 2 3 4 5 6

Total % of Variance Cumulative % Total % of Variance Cumulative % Initial Eigenvalues Extraction Sums of Squared Loadings

Extraction Method: Principal Component Analysis.

30

Scree Plot

Component Number

6 5 4 3 2 1

Eigenvalue

2.0

1.8

1.6

1.4

1.2

1.0

.8

.6

.4

Component Matrix a

.301 .466 .654 .386 .563 .482 .673 .111 .648 .423 .348 .654


1 2 Component

Extraction Method: Principal Component Analysis. 2 components extracted. a.

Rotated Component Matrix a

7.304E03 .555 .331 .683 .735 9.035E02 .622 .280 .774 6.16E03

7.148E02 .737


1 2 Component

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.

Rotation converged in 3 iterations. a.

31

Component Transformation Matrix

.833 .553

.553 .833

Component 1 2

1 2

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.

Component Plot in Rotated Space

Component 1

1.0 .5 0.0 .5 1.0

Com

ponent 2

1.0

.5

0.0

.5

1.0

bersih

image

promosi

harga

lengkap

layout

32

Materi 9 : Statistika Non Parametrik Tujuan : Menganalisis data yang mempunyai jumlah kecil, mempunyai sebaran

yang tidak normal. Alat analisis : Statistika Non Parametrik

33

Materi 9 : Analisis Cluster Tujuan : Mereduksi berbagai variabel menjadi beberapa kelopok Cluster

Melakukan Segmentasi Populasi atas dasar atributatribut tertentu Alat analisis : Hierarchical dan Kmeans Cluster Analysis Contoh kasus :

Kmeans Cluster

Quick Cluster

Initial Cluster Centers

4.50 3.20 4.60 3.20 4.40 3.00 3.10 2.90 2.00 1.00 4.90 4.30 4.90 4.30 4.30 2.00 4.10 4.50 3.00 2.00 4.90 2.00 2.10 2.10 4.40 3.00 1.60 4.70 1.50 4.50 1.40 4.40 1.00 4.20 3.50 3.30 1.00 2.00 2.70 4.70


1 2 3 4 Cluster

34

Iteration History a

2.729 2.210 2.876 2.074 .548 .404 .401 .253 .355 .381 .150 .309 .137 .235 .149 .212 .197 .268 .118 .159 .113 .365 .194 .104 .102 .102 .122 .000 .000 .000 .000 .000

Iteration 1 2 3 4 5 6 7 8

1 2 3 4 Change in Cluster Centers

Convergence achieved due to no or small distance change. The maximum distance by which any center has changed is .000. The current iteration is 8. The minimum distance between initial centers is 5.595.

a.

Final Cluster Centers

3.53 3.22 3.84 3.66 3.55 3.35 3.68 3.37 2.46 2.06 2.51 4.35 4.23 2.67 3.72 2.75 3.83 3.20 2.24 2.85 3.67 1.85 2.19 2.71 3.55 3.29 3.12 4.05 3.31 3.73 2.53 3.74 1.94 3.66 2.79 3.43 2.64 3.21 2.47 3.78


1 2 3 4 Cluster

35

ANOVA

1.696 3 .622 101 2.726 .048 .667 3 .414 101 1.613 .191

29.698 3 .466 101 63.677 .000 14.235 3 .584 101 24.381 .000 11.479 3 .778 101 14.760 .000 14.655 3 .574 101 25.552 .000 4.824 3 .602 101 8.011 .000 9.042 3 .875 101 10.335 .000 14.080 3 .694 101 20.292 .000 10.281 3 .958 101 10.729 .000


Mean Square df Cluster

Mean Square df Error

F Sig.

The F tests should be used only for descriptive purposes because the clusters have been chosen to maximize the differences among cases in different clusters. The observed significance levels are not corrected for this and thus cannot be interpreted as tests of the hypothesis that the cluster means are equal.

Number of Cases in each Cluster

23.000 22.000 29.000 31.000 105.000

.000

1 2 3 4

Cluster

Valid Missing

Hierarchical Cluster

36

Cluster

Ward Linkage

Agglomeration Schedule

7 12 .705 0 0 8 8 9 1.550 0 0 7 10 11 2.495 0 0 10 1 4 3.795 0 0 6 3 5 5.125 0 0 9 1 2 6.732 4 0 8 6 8 8.467 0 2 9 1 7 11.943 6 1 11 3 6 17.445 5 7 10 3 10 26.928 9 3 11 1 3 41.544 8 10 0

Stage 1 2 3 4 5 6 7 8 9 10 11

Cluster 1 Cluster 2 Cluster Combined

Coefficients Cluster 1 Cluster 2

Stage Cluster First Appears

Next Stage

37

Cluster Membership

1 1 1 1 1 1 2 2 2 1 1 1 2 2 2 3 2 2 1 1 1 3 2 2 3 2 2 4 3 2 4 3 2 1 1 1

Case 1:grosir 1 2:grosir 2 3:grosir 3 4:grosir 4 5:grosir 5 6:grosir 6 7:grosir 7 8:grosir 8 9:grosir 9 10:grosir 10 11:grosir 11 12:grosir 12

4 Clusters 3 Clusters 2 Clusters

Dendrogram

* * * * * * H I E R A R C H I C A L C L U S T E R A N A L Y S I S * * * * * *

Dendrogram using Ward Method

Rescaled Distance Cluster Combine

C A S E 0 5 10 15 20 25 Label Num +++++

+

grosir 7 7 òûòòòòòòòø grosir 12 12 ò÷

ùòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòø grosir 1 1 òòòø ó

ó grosir 4 4 òòòüòòòòò÷

ó grosir 2 2 òòò÷

ó grosir 10 10 òûòòòòòòòòòòòòòòòòòòòòòòòòòòòòòø

ó grosir 11 11 ò÷

ùòòòòòòòòòòòòòòòòò÷ grosir 3 3 òòòûòòòòòòòòòòòòòø ó

38

grosir 5 5 òòò÷ ùòòòòòòòòòòòòò÷ grosir 8 8 òûòø ó grosir 9 9 ò÷ ùòòòòòòòòòòòòò÷ grosir 6 6 òòò÷

Materi 10 : Analisis MDS Tujuan : Menganalisis Interdependen atau ketergantungan antar variabel Alat analisis : Multidimensional Scaling Contoh kasus :

39

Derived Stimulus Configuration

Individual differences (weighted) Euclidean distance model

Dimension 1

2.0 1.5 1.0 .5 0.0 .5 1.0 1.5

Dimension 2

1.5

1.0

.5

0.0

.5

1.0

1.5

2.0

murah

jaya

lestari

laris

baru

Derived Subject Weights


Dimension 1

1.0 .8 .6 .4 .2 0.0 .2

Dimension 2

.9

.8

.7

.6

.5

.4

.3

.2

8

7 6 5

4

3

2

1

40

Scatterplot of Linear Fit


Disparities

3.0 2.5 2.0 1.5 1.0 .5 0.0

Distances

3.0

2.5

2.0

1.5

1.0

.5

0.0

Flattened Subject Weights


One Dimensional Plot

.6 .4 .2 .0 .2 .4 .6

Variable 1

1.5

1.0

.5

0.0

.5

1.0

1.5

2.0 8

7 6

5

4

3

2

1

Documents

Analisis SPSS