Transcript TRANSPARANSI 11-Metode analisis Korelasi dan Regresi

METODOLOGI PENELITIAN
SESI 11
Korelasi dan REGRESI
Analisis Faktor
KORELASI
 Analisis ini berguna untuk:
1. mengetahui apakah diantara dua
variabel terdapat hubungan.
2. Jika terdapat hubungan bagaimana
arah hubungan.
3. Berapa besar hubungan.
Jenis Korelasi
 1. Korelasi Bivariat (berganda)
a. Data Interval……Pearson
b. Data Ordinal……Kendal, Spearmen
 2. Korelasi Parsial
KORELASI BIVARIATE
 Pearson corr:
 Prosedur: Analyze, Correlate, Bivariate,
masukkan variabel yang diuji, pearson,
ok.
Output_1
Correlations
Total Penjualan
Promosi Penjualan
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Total
Penjualan
1
.
45
.734**
.000
45
Promosi
Penjualan
.734**
.000
45
1
.
45
**. Correlation is significant at the 0.01 level (2-tailed).
1. Hubungan antara Total penjualan Promosi Penjualan dilihat dari
angka signifikansi yaitu sebesar 0,000.
Bandingkan dengan 5%, jika sig < 5% maka terdapat hubungan
2. Arah hubungan dilihat dari tanda + atau – didepan angka
Pearson Corr. Diketahui bahwa hub positif.
3. Besarnya hubungan dilihat dari angka pearson corr. Yaitu 0,734
4. Jika promosi meningkat berhubungan dengan peningkatan total penj
sebaliknya
KORELASI PARSIAL
 Untuk mengetahui hubungan dua
variabel dimana ada satu variabel
pengontrol. Yang diasumsikan memiliki
hubungan tetap.
 Prosedur: Analyze, Correlate, Parsial,
masukkan variabel yg ingin dianalisis, dg
jumlah dealer sbg pengontrol, kmd two
tails, ok.
Output_2
Correlations
Control Variables
Jumlah Dealer
Total Penjualan
Promosi Penjualan
Correlation
Significance (2-tailed)
df
Correlation
Significance (2-tailed)
df
Total
Penjualan
1.000
.
0
.648
.000
42
Promosi
Penjualan
.648
.000
42
1.000
.
0
1. Hubungan antara Total penjualan Promosi Penjualan dilihat dari
angka signifikansi yaitu sebesar 0,000.
Bandingkan dengan 5%, jika sig < 5% maka terdapat hubungan
2. Arah hubungan dilihat dari tanda + atau – didepan angka
Pearson Corr. Diketahui bahwa hub positif.
3. Besarnya hubungan dilihat dari angka pearson corr. Yaitu 0,648
4. Semakin tingginya jml dealer maka kenaikan promosi penjualan
berhubungan dengan peningkatan promosi
Pengertian
 Analisis regresi secara umum adalah
studi mengenai ketergantungan variabel
terikat (dependen) dengan satu atau
lebih variabel independen (variabel
penjelas/ bebas), dengan tujuan untuk
mengestimasi dan atau memprediksi
rata-rata populasi atau nilai rata-rata
variabel dependen berdasar nilai variabel
independen yang diketahui (Gujarati,
2003)

Hasil analisis regresi adalah berupa
koefisien untuk masing-masing variabel
independen. Koefisien ini diperoleh
dengan cara memprediksi nilai variabel
dependen dengan suatu persamaan,
koefisien regresi dihitung dengan tujuan :
meminimumkan penyimpangan antara
nilai aktual dan nilai estimasi variabel
dependen berdasarkan data yang ada
(Tabachnic, 1996).
Regresi Vs Korelasi
 Korelasi bertujuan untuk mengukur kekuatan
hubungan linier antara dua variabel. Korelasi tidak
menunjukkan hubungan fungsional atau dengan kata
lain analisis korelasi tidak membedakan variabel
dependen dan independen.
 Dalam regresi, selain mengukur kekuatan hubungan
dua variabel atau lebih, juga menunjukkan arah
hubungan antara variabel dependen dan independen
 Teknik estimasi variabel dependen yang melandasi
analisis regresi disebut ordinary least squares (OLS).
Inti metode OLS adalan mengestimasi suatu garis
regresi dengan jalan meminimalkan jumlah dari
kuadrat kesalahan setiap observasi terhadap garis
tersebut.
Menilai Goodness of Fit Suatu Model
 Ketepatan fungsi regresi sampel dalam menaksir
nilai aktual dapat diukur dari goodness of fitnya.
Secara statistik, setidaknya dapat diukur dari nilai
koefisien determinasi (R2), nilai statistik F dan nilai
statistik t.
 Perhitungan statistik disebut signifikan secara
statistik apabila uji statistiknya berada dalam
daerah kritis (daerah dimana Ho ditolak).
 Sebaliknya disebut tidak signifikan bila nilai uji
statistiknya berada dalam daeerah dimana Ho
diterima
koefisien determinasi (R2)
 Koefisien determinasi pada intinya
mengukur seberapa jauh kemampuan
model dalam menerangkan variasi variabel
dependen
 Uji Signifikansi simultan (F) pada dasarnya
menunjukkan apakah semua variabel
independen atau bebas yang dimasukkan
dalam model memiliki pengaruh secara
bersama-sama terhadap variabel dependen
Regresi
 Berganda
Mo del Summary
Model
1
R
a
.825
Adjusted
R Sq uare
.665
R Sq uare
.680
Std. Error of
the Estimate
22.73899
a. Predi ctors: (Constant), Jumlah Dealer, Promosi
Penj ualan
ANOVAb
Model
1
Reg ression
Residual
Total
Sum of
Squares
46128.611
21716.589
67845.200
df
2
42
44
Mean Square
23064.306
517.062
a. Predictors: (Constant), Jumlah Dealer, Promosi Penj ualan
b. Dependent Variable: T otal Penjualan
F
44.606
Sig .
.000a
 Uji F Signifikan
 Uji t Signifikan
Coefficientsa
Model
1
(Constant)
Promosi Penjualan
Jumlah Dealer
Unstandardized
Coefficients
B
Std. Error
-7.013
16.961
6.757
1.226
7.486
1.737
a. Dependent Variable: Total Penjualan
Standardized
Coefficients
Beta
.541
.423
t
-.413
5.513
4.308
Sig.
.681
.000
.000
Analisis Faktor
Variabel / atribut penjualan diteliti :
1.Layout pertokoan,
2.kelengkapan barang yang dijual,
3.harga barang,
4.pelayanan karyawan toko,
5.pelayanan kasir,
6.promosi,
7.image dan
8.kebersihan.
Analisis Faktor
 Analyze, Data reduction, faktor.
 masukkan variabelnya, kmd pilih diskriptif, isi dengan KMO
danAnti image, extraction=Pricipal Component, Corr
matriks, Unrotated FFac solution dan Scree plot.
Eigenvalues dan max iteration tetap. Kmd rotation, varimax,
Rotated sol, Loading plot, iterasi tetap
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy.
Bartlett's Test of
Sphericity
Approx. Chi-Square
df
Sig.
.767
736.406
55
.000
 Asumsi yang mendasari dapat tidaknya digunakan
analisis faktor adalah data matriks harus memiliki
korelasi yg cukup, uji Barlett’s merupakan uji statistik
untuk menentukan ada tidaknya korelasi antar variabel
dapat dilihat dari:
 Angka KMO dan Barlet >0,5
 Signifikansi < 5%
Jika indikator diatas terpenuhi maka menunjukkan
bahwa analisis faktor untuk masing-masing quest
dapat dilanjutkan
 MSA (Measure of Sampling Adequacy):
-MSA = 1, variabel dp diprediksi tanpa
kesalahan
-MSA >0,5 dp diprediksi & dianalisis
-MSA<0,5 tdk dapat diprediksi &
dianalisis
Anti Image,
angka diagonal > 0,5
Anti-image Matrices
Anti-image Covariance
Anti-image Correlation
x1
x2
x3
x4
x5
x6
x7
x8
x9
x10
x11
x1
x2
x3
x4
x5
x6
x7
x8
x9
x10
x11
x1
.583
-.219
.001
-.026
-.105
.117
-.048
-.081
-.072
.101
.048
.712a
-.363
.001
-.052
-.284
.336
-.116
-.167
-.105
.145
.072
a. Measures of Sampling Adequacy(MSA)
x2
-.219
.623
-.061
-.058
-.006
-.042
.011
-.020
.094
.005
-.148
-.363
.822a
-.100
-.113
-.017
-.115
.025
-.039
.133
.007
-.216
x3
.001
-.061
.603
.025
.001
-.048
-.115
-.057
.005
-.020
-.060
.001
-.100
.911a
.049
.003
-.134
-.275
-.115
.008
-.028
-.089
x4
-.026
-.058
.025
.417
-.014
.019
-.181
-.071
.028
-.018
-.040
-.052
-.113
.049
.832a
-.046
.064
-.520
-.172
.049
-.031
-.072
x5
-.105
-.006
.001
-.014
.233
-.182
.051
-.004
.053
-.009
.016
-.284
-.017
.003
-.046
.651a
-.824
.196
-.013
.123
-.021
.038
x6
.117
-.042
-.048
.019
-.182
.208
-.051
-.030
-.039
.018
.015
.336
-.115
-.134
.064
-.824
.654a
-.208
-.103
-.095
.042
.037
x7
-.048
.011
-.115
-.181
.051
-.051
.291
-.108
-.059
.027
.068
-.116
.025
-.275
-.520
.196
-.208
.780a
-.315
-.122
.054
.145
x8
-.081
-.020
-.057
-.071
-.004
-.030
-.108
.405
.036
.006
.059
-.167
-.039
-.115
-.172
-.013
-.103
-.315
.911a
.064
.010
.107
x9
-.072
.094
.005
.028
.053
-.039
-.059
.036
.802
-.181
-.213
-.105
.133
.008
.049
.123
-.095
-.122
.064
.581a
-.222
-.275
x10
.101
.005
-.020
-.018
-.009
.018
.027
.006
-.181
.826
-.125
.145
.007
-.028
-.031
-.021
.042
.054
.010
-.222
.802a
-.159
x11
.048
-.148
-.060
-.040
.016
.015
.068
.059
-.213
-.125
.750
.072
-.216
-.089
-.072
.038
.037
.145
.107
-.275
-.159
.694a
 Dari tabel diatas, terlihat bahwa angka
diagonal menunjukkan angka > 0,5 yang
berarti bahwa seluruh quest dapat diuji
untuk dikelompokkan.
 Jika terdapat quest yang <0,5 maka
quest tersebut dikeluarkan dari analisis,
kemudian dilakukan pengujian ulang
dengan analisis faktor. Pengujian ulang
dilakukan Sampai semua angka diagonal
menunjukkan >0,5
Lihat varian yang dapat menjelaskan komponen yg dibentuk,
pada ekstraksi ke 3, analisis kemudian sudah tdk dapat
dilanjutkan lagi krn sudah <1
Total Variance Explained
Component
1
2
3
4
5
6
7
8
9
10
11
Total
4.263
1.481
1.245
.977
.711
.674
.546
.430
.341
.218
.113
Initial Eigenvalues
% of Variance Cumulative %
38.759
38.759
13.463
52.222
11.322
63.543
8.885
72.428
6.467
78.895
6.125
85.020
4.960
89.979
3.913
93.892
3.102
96.994
1.979
98.973
1.027
100.000
Extraction Method: Principal Component Analysis.
Extraction Sums of Squared Loadings
Total
% of Variance Cumulative %
4.263
38.759
38.759
1.481
13.463
52.222
1.245
11.322
63.543
Rotation Sums of Squared Loadings
Total
% of Variance Cumulative %
3.241
29.462
29.462
2.079
18.899
48.360
1.670
15.183
63.543
 Tabel diatas menunjukkan bahwa
ekstraksi dilakukan untuk melihat
banyaknya pengelompokan, tabel diatas
menunjukkan ada 3 kelompok
 Loading masing-masing fakor
menunjukkan %tase kemampuan
menjelaskan
Component matrik, lihat loading yang mana yg besar dan
masuk komponen mana.
a
Component M atrix
1
x1
x2
x3
x4
x5
x6
x7
x8
x9
x10
x11
.581
.607
.671
.732
.675
.710
.810
.819
-.220
-.344
-.341
Component
2
.108
.185
.232
.253
-.182
-.104
.216
.086
.713
.556
.635
3
-.398
-.027
.127
-.300
.618
.632
-.229
-.146
.087
.300
.166
Extraction M ethod: Principal Component Anal ysis.
a. 3 components extracted.
Rotated semakin memperjelas pengelompokkan
a
Rot at ed Component M at rix
1
x1
x2
x3
x4
x5
x6
x7
x8
x9
x10
x11
.689
.572
.573
.822
.196
.248
.839
.759
.056
- .200
- .107
Component
2
- .043
.276
.434
.103
.896
.918
.208
.297
- .120
.012
- .108
3
- .175
- .004
.066
- .055
- .173
- .107
- .090
- .188
.739
.691
.724
Extr action M ethod: Pr incipal Component Analysis.
Rotati on Method: Var imax with Kaiser Nor mali zation.
a. Rotati on conver g ed i n 5 i ter ations.