Mujigunarto’s

Analisis Kuantitatif Eksplorasi data multivariat Analisis Faktor Muji Gunarto

Posted on: 1 Januari 2009

Tugas mata kuliah: Analisis Kuantitatif
Oleh:
Muji Gunarto
NIM. 20072004035
Kenapa perlu melakukan eksplorasi data dalam suatu analisis data?
Analisis data merupakan proses terakhir dari kegiatan penelitian sebelum menulis laporan penelitian. Analisis data bertujuan untuk menjawab pertanyaan, membuktikan hipotesis, dan atau menjelaskan fenomena yang menjadi latar belakang penelitian. Analisis akan mengubah angka dan catatan hasil pengumpulan data menjadi informasi yang mudah dipahami. Pekerjaan ini memerlukan pengetahuan statistika yang memadai sesuai dengan tujuan yang ingin dicapai dalam penelitian yang bersangkutan. Secara substantif, analisis data diperlukan untuk membandingkan teori dengan informasi yang ditemukan atau menemukan adanya konsep baru dari data yang dikumpulkan.
Proses analisis data pada dasarnya meliputi upaya penelusuran dan pengungkapan informasi yang relevan yang terkandung dalam data dan penyajian hasilnya dalam bentuk yang lebih ringkas dan sederhana, yang pada akhirnya mengarah kepada keperluan adanya penelusuran dan penafsiran, (Aunuddin, 1989). Proses awal dalam analisis data adalah pengungkapan informasi tanpa terlalu terikat pada asumsi-asumsi yang ketat agar pengungkapan informasi dapat dilakukan dengan fleksibel dan lebih merangsang daya imajinasi tanpa melupakan kaidah-kaidah ilmu maupun teori yang telah dikenal.
Kebanyakan peneliti sering terjebak pada format baku yang harus ditaati dari aturan sebuah buku acuan (referensi). Kecenderungan yang agak keliru ini juga terjadi dalam penerapan metode statistika secara umum, karena adanya kesan bahwa pengujian hipotesis itu sederhana dan relatif mudah untuk dilakukan sesuai dengan aturan buku-buku statistika maka tidak jarang kita menemukan penelitian yang sebenarnya dapat dibahas dengan lebih menarik ternyata cukup diakhiri dengan kesimpulan yang menyatakan hasilnya nyata atau tidak nyata secara statistik (H0 diterima atau ditolak).
Pendekatan metode pendugaan yang optimum dan pengujian hipotesis yang bersifat eksploratif ini dipelopori oleh J.W. Tukey sejak awal tahun 1970-an dalam bukunya tentang teknik eksplorasi data. Analisis data yang bersifat eksploratif diawali dengan upaya penelusuran dan pengungkapan struktur dan pola yang dimiliki oleh data tanpa mengaitkan secara kaku pada bentuk formal asumsi-asumsi yang ada. Penelusuran pola data bertujuan untuk memeriksa bentuk atau pola sebaran data, yaitu apakah data mengumpul pada nilai tertentu, atau apakah data ada yang memencil.Sedangakan tujuan eksplorasi data adalah untuk mengungkapkan
1
adanya penyimpangan-penyimpangan dari suatu model tertentu dan berusaha untuk mencari cara penyelesaiannya.
Teknik eksplorasi data dengan menggunakan sarana grafik sangatlah efektif dalam analisis data. Berikut contoh peranan grafik untuk menemukan adanya kelainan-kelainan tahap awal dalam analisis regresi berdasarkan data Anscombe dalam Ryan, T.P. (1997) sebagai berikut.
Tabel 1.
Empat buah set data untuk menunjukkan perlunya plot data
No
X1,2,3
X4
Y1
Y2
Y3
Y4
1
10
8
8.04
9.14
7.46
6.58
2
8
8
6.95
8.14
6.77
5.76
3
13
8
7.58
8.74
12.74
7.71
4
9
8
8.81
8.77
7.11
8.84
5
11
8
8.33
9.26
7.81
8.47
6
14
8
9.96
8.10
8.84
7.04
7
6
8
7.24
6.13
6.08
5.25
8
4
19
4.26
3.10
5.39
12.50
9
12
8
10.84
9.13
8.15
5.56
10
7
8
4.82
7.26
6.42
7.91
11
5
8
5.68
4.74
5.73
6.89
Dari hasil analisis regresi dengan menggunakan program SPSS, diperoleh model regresi sebagai berikut:
1. Hubungan X1 dengan Y1, Hubungan X2 dengan Y2, Hubungan X3 dengan Y3, dan Hubungan X4 dengan Y4 sebagai berikut. Coefficientsa3.0001.1252.667.026.500.1184.241.002(Constant)X123Model1BStd. ErrorUnstandardizedCoefficientstSig.Dependent Variable: Y1a.
Persamaan regresinya dari keempat hubungan regresi di atas adalah sama, yaitu:
Y= 3,000+0,500X + ε
2. Sedangkan plot datanya ditunjukkan dalam grafik sebagai berikut.
2
Y1X1231614121086421110987654ObservedLinear Y2X12316141210864211109876543ObservedLinear
(a) (b)
Y3X123161412108642141210864ObservedLinear Y4X420181614121086141210864ObservedLinear
(c) (d)
Berdasarkan hasil di atas menunjukkan bahwa jika dalam analisis suatu data langsung dilakukan dengan pengujian hipotesis, maka akan diperoleh kesimpulan yang bias dari data sebenarnya. Contoh di atas adalah gambaran jika seorang peneliti ingin melihat pengaruh variabel bebas terhadap variabel terikat dan tanpa tahu struktur data sebenarnya langsung membuat analisis regresi, maka kesimpulan yang diperoleh akan berbias. (Sumber: Muji Gunarto, 2004. Panduan Penelitian Kuantitatif dengan Aplikasi Program SPSS, Mc Cendekia Research and Statsitics Consulting, Bandung).
1. Apa yang dimaksud dengan Univariat Normalitas?
Yaitu asumsi normalitas pada analisis univariat (satu variabel). Asumsi normalitas adalah suatu asumsi bahwa data yang akan dianalisis mengikuti suatu distribusi normal pada suatu variabel.
2. Bagaimana cara mendeteksi asumsi Univariat Normalitas?
Ada beberapa metode yang adapat digunakan untuk melihat kenormalan sebaran data baik secara visual maupun secara inferensial. Metode secara visual dapat dilakukan dengan membuat grafik (histogram) dari data tersebut. Sedangkan secara inferensial dapat dilakukan dengan analisis statistik nonparametrik seperti: 1) Uji Lilliefors, 2) Uji Kolmogorov Smirnov (K-S) atau 3) Uji Normalitas Chi-Kuadrat (X2). Uji Lilliefors dan Uji Kolmogorov Smirnov
3
dilakukan jika datanya minimal memiliki skala ordinal, sedangkan uji Chi-Kuadrat dapat dilakukan untuk data yang memiliki skala minimal nominal.
Contoh Output hasil SPSS: One-Sample Kolmogorov-Smirnov Test35353535353535107.790010.304322.7229128.072921.478625.73143.820010.828042.017872.1403116.638677.002121.45505.70712.124.204.86.054.124.137.142.111.204.086.052.124.092.103-.124-.114-.062-.054-.067-.137-.142.7321.208.511.321.733.813.839.658.108.9571.000.655.523.482NMeanStd. DeviationNormal Parametersa,bAbsolutePositiveNegativeMost ExtremeDifferencesKolmogorov-Smirnov ZAsymp. Sig. (2-tailed)Tinggipadi (cm)JumlahanakanPanjangmalai (cm)Jumlahgabah isiJumlah gabahhampaBobot gabahper 1000(gram)Produksipadi (ton/ha)Test distribution is Normal.a. Calculated from data.b.
3. Apa yang dimaksud dengan Multivariat Normalitas?
Yaitu asumsi normalitas pada analisis multivariat (lebih dari dua variabel). Asumsi multivariat normalitas adalah suatu asumsi bahwa data yang akan dianalisis mengikuti suatu distribusi normal pada semua variabel secara simultan.
4. Bagaimana cara mendeteksi asumsi Multivariat Normalitas?
Untuk mendeteksi apakah data memenuhi asumsi mutivariat normalitas adalah dengan memeriksa sisaan (residual) dari pola hubungan beberapa variabel tersebut. Misalkan dalam suatu analisis regresi berganda, maka uji normalitasnya secara visual dapat dilakukan dengan membuat Normal P-P Plot atau Normal Q-Q Plot antara data obsevasi dengan prediksinya. Jika dilakukan secara inferensial, maka dapat dilakukan seperti pada pada uji univariat normalitas, hanya saja yang dianalisis adalah sisaan model tersebut.
Contoh Output hasil SPSS:
4
1.00.80.60.40.20.0Observed Cum Prob1.00.80.60.40.20.0Expected Cum ProbNormal P-P Plot of Regression Standardized ResidualDependent Variable: Produksi padi (ton/ha) One-Sample Kolmogorov-Smirnov Test35.0000000.31250272.063.063-.049.375.999NMeanStd. DeviationNormal Parametersa,bAbsolutePositiveNegativeMost ExtremeDifferencesKolmogorov-Smirnov ZAsymp. Sig. (2-tailed)Unstandardized ResidualTest distribution is Normal.a. Calculated from data.b.
5. Apa yang dimaksud dengan Univariate Outlier?
Yaitu pencilan data pada satu variabel. Pencilan data adalah data yang tidak mengikuti pola umum dalam suatu variabel atau data yang ekstrim. Sampai saat ini belum ada patokan yang jelas, kapan suatu pengamatan dikatagorikan sebagai pencilan. Tetapi secara umum dari beberapa pendapat pakar statistik,
5
data yang galatnya berjarak tiga kali simpangan baku atau lebih dari rata-ratanya (yaitu nol) disebut pencilan.
6. Bagaimana cara mendeteksi Univariate Outlier?
Dengan melakukan eksplorasi data secara visual melalui diagram batang-garis (box plot), diagram dahan-daun (stem-and-leaf plots), dan plot titik (dot plots). Neter, et al. (1990) dalam bukunya “Applied Linear Statistical Models” menyarankan bahwa untuk membuang pencilan dilakukan hanya jika ada bukti bahwa data tersebut akibat dari salah pencatatan, salah perhitungan atau akibat alat ukur yang rusak.
Contoh Output hasil SPSS:
Jumlah gabah isi150.00125.00100.0075.0015
7. Apa yang dimaksud dengan Multivariate Outlier?
Yaitu data yang ekstrim dalam beberapa variabel yang diamati secara simultan.
6
8. Bagaimana cara mendeteksi Multivariate Outlier?
Dengan melakukan eksplorasi data pada data sisaan (galat) suatu model yang dapat dilakukan secara visual melalui diagram batang-garis (box plot), diagram dahan-daun (stem-and-leaf plots), dan plot titik (dot plots) atau dengan melihat nilai jarak Mahalanobis (Mahalanobis Distance).
Contoh Output hasil SPSS:
9. Apa yang dimaksud dengan Heteroscedasticity atau Homoscedasticity?
Heteroscedasticity adalah kondisi dimana varians data (untuk univariate) atau varians sisaan (untuk multivariate) tidak konstan. Kebalikan dari heteroscedasticity adalah Homoscedasticity yaitu kondisi dimana varians data (untuk univariate) atau varians sisaan (untuk multivariate) konstan atau homogen.
10. Bagaimana cara mendeteksi adanya Heteroscedasticity atau Homoscedasticity?
Dengan melakukan plot data (univariate) atau plot sisaan/galat (multivariat). Jika data atau sisaan tersebut membentuk pola tertentu seperti corong atau semakin meningkat maka data tersebut menunjukkan heterogen atau
7
mengalami heteroskedastik. Kondisi ini sebenarnya akan terdeteksi pada saat uji normalitas, karena data yang mengalami heteroskdastik akan menyebabkan data tidak mengikuti distribusi normal.
Contoh Output hasil SPSS: 420-2-4Observed Value0.30.20.10.0-0.1-0.2Deviation from NormalDetrended Normal Q-Q Plot of Studentized Residual 210-1-2Regression Standardized Residual20-2Regression Standardized Predicted ValueScatterplotDependent Variable: Produksi padi (ton/ha)
8
11. Apa yang dimaksud dengan Varians dan Covarians?
Variance adalah ragam (simpangan baku kuadrat) pada satu variabel (univariate). Covariance adalah ragam (simpangan baku kuadrat) pada dua variabel (multivariate).
Penggunaan SPSS For Windows
1. Memulai dan Mengakhiri SPSS
Untuk memulai SPSS for windows dapat dilakukan melalui langkah-langkah sebagai berikut:
1) Pastikan bahwa pada komputer Anda sudah tersedia program paket SPSS.
2) Klik START.
3) Pindahkan pointer mouse ke Program kemudian geser pointer mouse ke SPSS for Windows.
4) Kemudian klik icon SPSS 14.0 for windows. (Seperti pada Gambar 2.1.).
Gambar 1. Memulai SPSS for Windows
Setelah langkah-langkah di atas dilakukan maka akan berhadapan dengan layar SPSS, yaitu Data Editor seperti pada Gambar 11.2.
Gambar 2. Tampilan Pertama SPSS for Windows 9
Pada tampilan pertama muncul dialog seperti pada Gambar11.2 Jika kita sudah memiliki data yang siap untuk di operasikan dengan SPSS, maka pilih data yang akan diolah pada kotak dialog kemudian klik OK. Tetapi jika belum ada data yang tersedia pada kotak dialog tersebut maka klik Cancel.
Untuk mengakhiri SPSS dapat dilakukan dengan klik File pada baris menu kemudian klik Exit, atau klik icon X pada sudut kanan atas.
2. Input (Memasukkan) Data
Poses dalam input data pada program SPSS dapat dilakukan dengan berbagai cara, yaitu:
a. Memanggil data dari program lain, jika data sudah tersimpan dalam program lain seperti (excel, minitab, Systat, dBase, Lotus, dan lain-lain). Langkah-langkahnya adalah seperti pada Gambar 3.
Gambar 3. Proses memanggil data yang akan diolah dengan SPSS.
b. Memanggil data yang sudah pernah dibuat atau sudah ada dalam program SPSS. Langkahnya seperti pada Gambar 3.1, hanya file datanya sudah tersimpan dalam program SPSS (*. sav).
c. Memasukkan data langsung dalam windows (sel) SPSS pada Data Editor. Langkah-langkahnya adalah:
1. Buka lembar kerja baru (klik menu utama File, sorot menu New, klik sub menu Data)
2. Persiapkan nama dan karakteristik variabel dengan menampilkan VARIABEL VIEW (klik tab sheet Variable View yang ada di bagian kiri bawah atau tekan CTRL+T)
3. Setelah terlihat tampilan SPSS DATA EDITOR, kemudian menamai variabel yang diperlukan dan karakteristik variabel tersebut.
10
Penggunaan Analisis Faktor (Factor Analysis) dengan Aplikasi Program SPSS 11.5
Oleh:
Muji Gunarto (mgunarto@hotmail.com)
I. Pendahuluan (Landasan Teori)
Analisis faktor adalah salah satu analisis yang banyak digunakan pada statistik multivariate. Analisis faktor pertama kali diperkenalkan oleh Spearman (1904), kemudian dikembangkan oleh Thurstone (1974), Thomson (1951), Lawley (1940, 1941) dan lainnya. Pada awalnya analisis ini tergolong sulit dan kontroversial, namun dalam perkembangannya dirasakan menjadi alat yang sangat berguna. Terutama setelah perkembangan komputer dan paket-paket program statistik, serta banyaknya terbit buku-buku dan publikasi lain yang membahas tentang penerapan analisis faktor dalam berbagai bidang.
Misalkan x adalah vektor acak dengan vektor rata-rata μ dan matrik varians-kovarians Σ, dan hubungan antar unsur vektor x bisa dituliskan dalam model faktor:
x = μ + Lf + ε
dimana μ adalah vektor konstanta, f adalah vektor acak dengan ukuran kx1, dengan unsur f1, …, fk dan disebut faktor bersama, L adalah matriks konstanta yang tidak diketahui nilainya berukuran pxk, disebut loading faktor, dan ε1, …, εp adalah unsur vektor acak galat yang disebut faktor khusus, k adalah banyaknya faktor hasil reduksi, dan p adalah banyaknya item pertanyaan. Jadi model persamaan (4.1) berimplikasi bahwa untuk unsur x tertentu, misalnya xi yang mewakili pengukuran pada variabel tertentu merupakan kombinasi linear dari seluruh faktor bersama dan sebuah faktor khusus εi, (Sharma, 1996; Johnson and Wichern, 1992). Tujuan dari analisis faktor adalah menentukan faktor-faktor bersama sehingga korelasi diantara unsur vektor x terangkum pada faktor-faktor yang diperoleh. Dalam analisis faktor, data yang akan digunakan adalah matrik varians-kovarians atau matriks korelasi. Pada penelitian ini akan digunakan matriks korelasi sebagai dasar analisis.
Dalam analisis faktor ada beberapa metode pendugaan yang dapat digunakan, baik yang non-iteratif maupun metode iteratif. Metode non-iteratif diantaranya adalah: metode komponen utama (principal component method), metode faktor utama (principal factor method), analisis citra (image analysis), dan analisis faktor kanonik non-iteratif Harris (Harris’ non-iterative canonical factor analysis). Sedangkan yang termasuk metode pendugaan iteratif diantaranya adalah: metode kemungkinan maksimum (maximum likelihood method), metode kuadrat terkecil tak-terboboti
11
(unweight least square – ULS), metode komponen utama iteratif (iterative principal componen method), dan analisis faktor alpha (alpha factor analysis), (Sharma, 1996; Johnson and Wichern, 1992).
Metode pendugaan komponen utama (principal component method) merupakan metode yang paling sederhana dan mudah digunakan dibanding dengan metode lainnya, sehingga metode ini sering digunakan.
Pada umumnya dalam analisis faktor, matriks loading faktor yang diperoleh sulit untuk diinterpretasikan, maka disarankan untuk melakukan rotasi faktor, yaitu dengan mentransformasi matriks tersebut dengan mengalikan matriks ortogonal terhadapnya sehingga interpretasi yang bermakna menggunakan matriks yang baru itu memungkinkan, (Johnson and Wichern, 1992). Ada beberapa metode yang dapat digunakan dalam rotasi faktor, yaitu rotasi quartimax, rotasi variamax kasar, rotasi varimax, rotasi equimax, rotasi parsimax, rotasi oblique, ritasi HK (Harris dan Kaiser, 1964), dan rotasi promax.
Metode rotasi faktor yang paling sering digunakan dalam berbagai aplikasi adalah rotasi varimax dari Kaiser (1958) yang dibakukan sebagai berikut: ΣΣΣ===⎪⎭⎪⎬⎫⎪⎩⎪⎨⎧⎥⎥⎦⎤⎢⎢⎣⎡−kipipiiijiijhlphlp11212*22*1)(1
Secara umum, rotasi faktor dilakukan sedemikian rupa sehingga faktor yang sudah dirotasi memiliki sedikit saja variabel dengan nilai mutlak loading yang besar, sedangkan sisanya kecil atau nol. Pola seperti ini akan memudahkan interpretasi terhadap faktor yang terbentuk.
Setelah dugaan matriks loading faktor diperoleh dan rotasi yang sesuai telah dilakukan, selanjutnya adalah menentukan skor faktor untuk setiap ojek (individu). Skor faktor merupakan dugaan nilai faktor bersama yang sesuai dengan pengamatan dalam nilai variabel asal tertentu. Nilai-nilai ini bisa digunakan sebagai data yang telah tereduksi untuk analisis statistik selanjutnya, (Sharma, 1996; Johnson and Wichern, 1992). Metode yang dapat digunakan untuk menduga skor faktor diantaranya adalah metode regresi dan metode kuadrat terkecil terboboti (waeghted lest square method).
II. Langkah-Langkah Analisis Faktor dengan SPSS for Windows
1. Pastikan bahwa program SPSS sudah ada dalam komputer (semua versi SPSS dapat digunakan).
2. Klik Start > All Programm > SPSS for Windows > SPSS 11.5 for Windows, seperti Gambar 1.
12
Gambar 1. Membuka Program SPSS for Windows
3. Setelah windows SPSS terbuka dan aktif, masukkan data pada ‘Data View’ dan beri penjelasan masing-masing variabel berupa, nama variabel, label, dan sebagainya dengan mengaktifkan windows ‘Variable View’, seperti pada Gambar 2. Teknik penulisan datanya dilakukan dengan menuliskan ke bawah untuk responden dan ke samping untuk semua item/variabel.
Data View
Variable View
Gambar 2. Teknik Input Data
4. Setelah data telah siap, artinya semua responden dan semua item dari kuesioner telah masuk semua dan telah diberi label pada masing-masing item/variabel, selanjutnya mulai dengan analisis faktor dengan langkah: klik Analyze > Data Reduction > Factor … sehingga muncul kotak dialog seperti pada Gambar 3.
Gambar 3. Windows dalam Analisis Faktor
13
5. Masukkan semua item/variabel yang akan dianalisis ke dalam kotak Variable dengan cara: blok semua item/veriabel (misal: x1 – x30), kemudian klik tanda Z sehingga variabel tadi (x1-x30) masuk dalam kotak Variable. Selanjutnya klik Descriptives… sehingga muncul kotak dialog seperti pada Gambar 4. Tandai nilai-nilai yang ingin muncul dalam output, kemudian klik Continue.
Gambar 4. Deskriptive yang diharapkan muncul dalam analisis faktor.
6. Kemudian klik Extraction…, sehingga muncul kotak dialog seperti pada Gambar 5. Pilih metode yang akan digunakan dengan cara klik tanda ì pada kotak Method, misal Principal components, kemudian tandai Number of factors jika kita mengaharpkan ke-30 variabel tadi ingin dibentuk menjadi 5 faktor, atau biarkan saja maka SPSS akan membentuk jumlah faktor sebanyak faktor yang memiliki nilai eigen lebih dari 1 (Default). Kemudian klik Continue.
Gambar 5. Kotak Dialog untuk Metode Ekstraksi
7. Berikutnya klik Rotation…, sehingga muncul kotak dialog seperti pada Gambar 6. Pilih metode rotasi yang akan digunakan, misal varimax, maka tandai pada metode Varimax. Kemudian pada Display biarkan seperti Default, tapi jika mengharapkan plot loadingnya, maka tandai Loading plot(s). Kemudian klik Continue sehingga kembali ke Gambar 3.
14
Gambar 6. Kotak Dialog untuk Metode Rotasi
8. Berikutnya klik Scores…, sehingga muncul kotak dialog seperti pada Gambar 7. Jika kita mengharapkan nilai skor faktornya disimpan dalam data view, maka tandai Save as variables, kemudian pilih metode yang digunakan dalam menduga skor faktor tersebut. Misalkan pilih metode pendugaan dengan regresi, maka tandai Regression pada kotak tersebut. Kemudian klik Continue, sehingga kembali ke Gambar 3.
Gambar 7. Kotak Dialog untuk Menentukan Skor Faktor
9. Berikutnya klik Options…, sehingga muncul kotak dialog seperti pada Gambar 8. Pada kotak dialog ini terdiri dari dua bagian, yaitu tentang nilai yang hilang (Misssing values) dan format koefesien yang akan ditampilkan. Pada missing values biarkan seperti Default, sedangkan untuk format koefesien yang ingin ditampilkan keduanya diberi tanda, yaitu untuk Sorted by size, artinya koefesien tersebut akan ditampilkan berurutan dari yang memiliki faktor loading terbesar sampai terkecil, dan Suppress absolute values lass than kemudian isikan koefesien minimal yang diharapkan pada kotak misal 0.50, artinya akan membuang semua koefesien yang lebih kecil dari 0,50. Jika kedua bagian ini tidak diberi tanda, maka output hasil akan memberikan tampilan urutan variabel berdasarkan nama variabel, dan semua koefesien yang ada pada masing-masing faktor akan dikeluarkan. Kemudian klik Continue, sehingga kembali ke Gambar 3.
15
Gambar 8. Kotak Dialog untuk Menentukan Format Tampilan Koefesien
10. Kemudian klik OK pada Gambar 3. sehingga muncul windows output seperti pada Gambar 9. Sedangkan nilai-nilai dari skor faktor akan tersimpan dalam windows data pada data view seperti pada Gambar 10.
Gambar 9. Output Hasil Analisis Faktor
16
Gambar 10. Output Skor Faktor yang Tersimpan Dalam Data View
11. Kemudian pada Variabel view beri nama pada masing-masing faktor sesuai dengan item/variabel yang masuk dalam faktor tersebut.
III. Referensi
Johnson, R. A. and Wichern, D.W. (1992) Applied Multivariate Statistical Analysis, Prentice Hall, Englewood Cliffs, New Jersey.
Neter, J.W., Wasserman & Kutner, M.H., 1990, Applied Linear Statistical Models, Regression, Analysis of Variance and Experimental Design. Richard D. Irwin Inc, Illinois.
Sharma, S. (1996) Applied Multivariate Techniques, John Wiley & Sons, Inc. New York
17

About these ads

7 Tanggapan to "Analisis Kuantitatif Eksplorasi data multivariat Analisis Faktor Muji Gunarto"

assalamu’laikum
pak Gun, saya hendak bertanya tentang Uji Beda pak,
penelitian saya data nya kecil, jadi tidak memenuhi asumsi data minimal untuk uji paramertik 30 data, tapi data tersebut setelah diuji normalitas data Kolmo Smirnov datanya Normal. dengan keadaan tersebut, untuk uji beda, saya menggunakan uji beda parametrik Independent Smaple T test atau uji beda non paramertrik Mann Whitney U test? apakah pak Gun punya rekomendasi refrenasi yang membahas hal tersebut?
terimaksih sebelumnya.
wassalamu’alaikum

Assalamualaikum wr.wb
Pak gun,, saya mau tanya tentang uji mann whitney.
Untuk uji non parametrik,, bagaimana penjelasan keterkaitan antara uji mann whitney dalam anova multivariat?????
Apakah Uji mann whitney dapat di bandingkan dengan uji jonckheere terpstra????
terima kasih

mudah2an nanti saya tuliskan modul untuk non parametrik…

pak, saya mau tanya, kalau untuk menghitung pencilan multivariate, bisa menggunakan SPSS tidak ya? atau ada software statistika lain yang bapak ketahui? terima kasih.

assalamualaikum..
pak gun,apakah ada referensi atau jurnal yg menjelaskan analisa f1 pada padi dengan menggunakan uji kolmogorov smirnov atau dengan uji t-student,kalau bapak berkenan mohon di share
terimakasih sebelumnya..

Materi yang sangat bagus, saya juga sedang mencarinya.

pak Gun, saya hendak tanya..
analisis data eksplorasi itu digunakan untuk semua jenis data????atau hanya untuk data kuantitatif saja??terimakasih……

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Logout / Ubah )

Twitter picture

You are commenting using your Twitter account. Logout / Ubah )

Facebook photo

You are commenting using your Facebook account. Logout / Ubah )

Google+ photo

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s

Halaman

Januari 2009
S S R K J S M
« Des   Feb »
 1234
567891011
12131415161718
19202122232425
262728293031  

Blog Stats

  • 48,381 hits

Klik tertinggi

  • Tidak ada

Flickr Photos

Newfoundland - Signal Hill Snake

Bryce Canyon

good as gold

More Photos
Ikuti

Get every new post delivered to your Inbox.

%d bloggers like this: