laporan modul 4 praktikum pmr 2

MODUL 4

PENGOLAHAN DAN ANALISIS DATA AWAL

LAPORANDisusun untuk memenuhi Tugas Mata Kuliah

MR 3004 – Praktikum Manajemen Rekayasa Industri 2

16 April 2014

Oleh :

Kelompok 15

Pradipta Andhika Putra 14410023Zulkifli Razan Nauval 14410032Muwahid Muthahhari 14410033

Yulia Andriani Rosdiana 14410039Anas Mufid 14410045

Andri Prayoga Hapsoro 14410055

PROGRAM STUDI MANAJEMEN REKAYASA INDUSTRIFAKULTAS TEKNOLOGI INDUSTRIINSTITUT TEKNOLOGI BANDUNG

Laporan Praktikum Manajemen Rekayasa Industri 2 Modul 4 Pengolahan dan Analisis Data Awal

~ Halaman ini sengaja dikosongkan ~

2


DAFTAR ISI

DAFTAR ISI...........................................................................................................3

DAFTAR GAMBAR.................................................................................................4

DAFTAR TABEL.....................................................................................................5

BAB I PENDAHULUAN...........................................................................................6

1.1 Latar Belakang......................................................................................6

1.2 Tujuan...................................................................................................6

1.3 Rumusan Masalah.................................................................................6

1.4 Pendekatan dan Batasan / Asumsi........................................................6

BAB II DASAR TEORI.............................................................................................7

BAB III PENGUMPULAN DATA DAN PENGOLAHAN AWAL......................................8

3.1 Gambaran Umum Proses Pengumpulan Data.......................................8

3.2 Hal-Hal Spesifik pada Proses Pengumpulan Data..................................8

3.3 Pengolahan Data Awal..........................................................................8

BAB IV ANALISIS DATA AWAL: STATISTIKA DESKRIPTIF DAN INFERENSI SEDERHANA.........................................................................................................9

4.1 Pengolahan Data Statistika Deskriptif...................................................9

4.2 Pengolahan Data Statistika Inferensi Sederhana..................................9

BAB V PEMBAHASAN DAN ANALISIS...................................................................10

5.1 Pembahasan Pengolahan Data Awal...................................................10

5.2 Analisis Hasil Pengolahan Data: Statistika Deskriptif & Inferensi Sederhana...........................................................................................10

BAB VI KESIMPULAN DAN SARAN.......................................................................11

6.1 Kesimpulan.........................................................................................11

6.2 Saran...................................................................................................11

6.2.1 Untuk Praktikum...............................................................................11

6.2.2 Untuk Asisten....................................................................................11

DAFTAR PUSTAKA...............................................................................................12

3


4


DAFTAR GAMBAR

No table of figures entries found.

5


DAFTAR TABEL

No table of figures entries found.

6


BAB IPENDAHULUAN

I.1 Latar BelakangPT X merupakan perusahaan yang bergerak akan produksi sepatu sepak bola. Pada riset yang dilakukan untuk klien yaitu PT X pada tahap sebelumnya telah dilakukan pengumpulan data sekunder yang kemudian didapat hasil analisisnya. Selanjutnya kegiatan riset dilanjutkan untuk pengumpulan data primer yang dapat dipenuhi dengan cara menyebar kuesioner. Namun sebelum kuesioner tersebut dapat disebar luas pada kegiatan sebelumnya telah dilakukan penyebaran kuesioner pendahuluan awal yang kemudian diproses untuk diuji validitas dan realibilitasnya. Setelah kegiatan pengujian validitas dan realibilitas pada kuesioner pendahuluan tahap selanjutnya ialah mengumpulkan data awal dengan kuesioner yang sudah disempurnakan setelah melewati tahap pengujian tersebut. Kuesiner kemudian disebar sehingga terkumpulah data awal yang dibutuhkan yang selanjutnya akan diproses masuk ke pengolahan data awal.

Pengolahan data awal dibutuhkan agar data awal yang terkumpul ialah data yang berkualitas sehingga mencegah terjadinya GIGO (garbage in garbage out). GIGO merupaka istilah apabila kita memproses suatu hal dengan kualitas rendah maka kita akan mendapatkan hasil yang berkualitas rendah pula. Begitu halnya dengan data awal yang didapat apabila masih berkualitas rendah maka hasil pengoalahan data kuesioner yang didapat juga berkualitas rendah. Sehingga pada pengolahan data awal ini fokusnya ialah mendapatkan data yang berkualiats sesuai dengan dasar teori yang ada sehingga data output hasil data pengolahan data awal ini dapat diproses ke tahap pengolahan data selanjutnya. Agar hasil dari tujuan riset ini memiliki kualitas yang baik pula.

Kegiatan riset ini telah berjalan selama satu bulan sehingga membutuhkan analisis yang terangkum pada pendokumentasian data yang didapat yang ditujukan kepada direksi dari klien yaitu PT X. Oleh karenanya terlampir executive summary yang disusun untuk direksi agar dapat memantau perkembangan riset ini.

I.2 TujuanTujuan dari dilakukannya pengolahan dan analisis data ini adalah sebagai berikut:

1. Mendeteksi keberadaan outlier dan missing value pada data yang telah didapat

7


2. Menguji asumsi-asumsi penting dala mstatistika pada data yang telah didapat3. Melakukan analisis statistika deskriptif pada data yang telah didapat4. Melakukan analisis statistika inferensi pada data yang telah didapat

I.3 Rumusan MasalahBerdasarkan latar belakang tersebut, maka permasalahan yang akan dibahas pada penelitian ini

dapat dirumuskan ke dalam bentuk pertanyaan sebagai berikut:

1. Apakah data yang didapatkan mengandung outlier atau missing value?2. Apakah data yang didapatkan memenuhi asumsi-asumsi dalam statistika?3. Bagaimana gambaran data yang didapatkan dari analisis deskriptif yang dilakukan?4. Bagaimana gambaran data yang didapatkan dari analisis inferensi yang dilakukan?

I.4 Pendekatan dan Batasan / AsumsiDalam melakukan pengolahan data dan analisis data ini, yang kami lakukan adalah pengujian

data sesuai dengan asumsi-asumsi statistika yang ada. Kemudian penentuan pemusatan dan persebaran data menggunakan statistika deskriptif dan statistika inferensi. Pendekatan yang kami lakukan berupakan pendekatan kuantitatif berdasarkan tools-tools statistika serta memakai software SPSS.

8


BAB IIDASAR TEORI

Coding ialah proses pendokumentasian kuesioner dengan pemberian kode berupa nomer maupun singkatan kata untuk tiap jawaban responden di setiap pertanyaan kuesioner. Kode - kode yang telah disiapkan digabungkan dalam codebook, buku yang berisi instruksi coding dan informasi yang dibutuhkan tentang variabel dalam set data, yang biasanya berisi:

1. Lokasi kolom dan rangenya untuk tiap variabel2. Definisi dari tipe data yang berbeda 3. Kode respon untuk setiap variabel 4. Kode yang digunakan untuk mengindikasikan non-response dn missing data. 5. Pertanyaan seperti ditanyakan di survei/kuesioner 6. Indikasi lain dari konten dan karakteristik tiap variabel

Tabel 1 Ilustrasi Codebook

Column Number

Varible Number

Variable Name

Question Number

Coding Instruction

1 1 ID 1 to 20 as coded

2 2 Preference 1

input the number circled

1 = poor

7 = excellent

3 3 Quality 2


1 = poor

7 = excellent

4 4 Quantity 3


1 = poor

7 = excellent

5 5 Value 4


1 = poor

7 = excellent

6 6 Service 5


1 = poor

7 = excellent

Missing data adalah keadaan di mana satu atau lebih variabel analisis dari kuisioner tidak terdapat nilai valid. Permasalahan utama bagi peneliti adalah bagaimana mengidentifikasi pola dan hubungan missing data untuk mempertahankan distribusi awalnya saat data remedi dimasukkan sebagai ganti missing data. Missing data process adalah semua aktivitas sistematik yang merupakan aspek eksternal dari responden yang menyebabkan adanya missing value.

Berkurangnya jumlah sample size merupakan dampak praktikal dari missing data. Jika missing data tidak diberikan data remedis sebagai penggantinya, maka responden dengan missing data akan dibuang dari pengolahan data. Selain itu hasil uji statistika yang dilakukan dengan missing data tidak random memungkinkan terjadi bias. Bias ini terjadi jika missing data process

9


‘menyebabkan’ data tertentu hilang dan data yang hilang ini berimbas pada tingkat error pada hasil.

Proses Identifikasi Missing Data dan Pengaplikasian Remedinya

1 Menentukan tipe missing data

2 Menentukan derajat missing data *

3 Mendiagnosa kerandoman dari missing data process

4 Derajat kerandoman diakomodasi dengan metode MAR (Missing at Random) atau MCAR (Missing at Completely Random). Jika perbedaan tidak signifikan, missing data dapat diklasifikasikan sebagai MCAR. Namun jika perbedaan signifikan, maka diklasifikasikan sebagai MAR.

5 Memilih metode imputasi **

*) RULES OF THUMB :

a. Missing data dibawah 10% untuk kasus individual atau observasi

dapat diabaikan, kecuali saat missing data terdapat di specific non-random fashion

b. Jumlah kasus tanpa missing data harus cukup untuk melakukan

analisis jika nilai remedi tidak di substitusikan untuk missing data.

c. Variabel dengan 15% missing data merupakan kandidat untuk

dihapus, tetapi level missing data yang lebih tinggi (20-30%) sering dapat diremedi.

d. Pastikan bahwa penurunan overall missing data cukup besar untuk menjustifikasi penghapusan vaiabel atau kasus individu.

e. Kasus dengan missing data untuk variabel dependen umumnya dihapus untuk menghindari peningkatan artifisial dengan variabel independen.

f. Saat menghapus variabel, pastikan bahwa variabel alternatif (sebisa mungkin yang berkorelasi tinggi) tersedia untuk merepresentasikan intensi variabel awal.

g. Selalu pertimbangkan untuk melakukan analisis dengan dan tanpa kasus/variabel yang dihapus untuk mengidentifikasi semua perbedaan yang terlihat.

**) RULES OF THUMB :

h. < 10% : Semua metode imputasi dapat diaplikasikan saat missing data serendah ini, meski pun complete case method merupakan yang paling tidak diinginkan.

10


i. 10% - 20% : Kenaikan persentase missing data membuat semua substitusi hot deck case dan metode regresi untuk MCAR lebih diinginkan, sedangkan metode berbasis model diperlukan dengan MAR.

j. > 20% : Jika dikatakan perlu mengimput missing data saat level > 20%, metode yang digunakan adalah metode regresi untuk MCAR dan metode berbasis model saat MAR terjadi.

Asumsi-asumsi Penting dalam Statistika

Ada 4 asumsi penting yang harus dipenuhi dalam statistika, yaitu normalitas, linieritas, homoscedastisitas dan ketiadaan korelasi antar error. Pada modul ini hanya akan dibahas 2 asumsi yang utama, normalitas dan linieritas.

Normalitas

Asumsi paling fundamental dalam analisis multivariate adalah normalitas, merujuk pada bentuk distribusi data untuk variabel metrik individual dan hubungannya dengan distribusi normal yang merupakan benchmark untuk metode statistika. Pengujian normalitas dilakukan dengan uji F dan uji T.

Ketidaknormalan dapat dilihat dari dua dimensi yaitu bentuk distribusi variabel dan ukuran sampel. Bentuk distribusi dapat dideskripsikan dengan dua urutasn yaitu kurtosis (seberapa landai distribusi dari sampel) dan skewness (tendensi data nya seimbang atau tidak). Jika normal, nilai kurtosis dan skewness harusnya 0. Dikatakan tidak normal jila p-value <0.01 atau 0.001.

11


Gambar 3 Normal Probability Plots dan Hubungannya dengan Distribusi Univariate

Linieritas

Linieritas merupakan asumsi implisit dari semua teknik multivariate berbasis asosiasi pengukuran korelasi, termasuk multiple regresi, logit model, analisis faktor dan SEM. Hal ini dikarenakan korelasi hanya merepresentasikan hubungan linier antar variabel. Cara paling umum untuk menilai linieritas adalah dengan melihat pola scatterplot atau dengan melakukan simple regresi dan memeriksa residualnya. Jika kenonlinieran terdeteksi, pendekatan yang bisa dilakukan adalah mentransformasi variabel dependen dan atau independen untuk mencapai linierita

Statistika Deskriptif

Statistika deskriptif adalah suatu cara untuk menjelaskan data secara kuantitatif dari data yang telah dikumpulkan. Tujuan dari statistika deskriptif adalah memberikan gambaran terhadap populasi dari sampel yang didapatkan.

Analisis Univariate: Frekuensi

12


Distribusi frekuensi adalah distribusi matematika yang tujuannya adalah mendapat jumlah respon yang berasosiasi dengan nilai-nilai yang berbeda pada suatu variabel dan untuk mengekspresikan jumlah ini ke dalam bentuk presentase. Distribusi frekuensi membantu menentukan derajat non-response suatu kuisioner dan derajat response yang tidak legitimate. Distribusi frekuensi diterapkan untuk mencari mean, modus, median, range, interquartile range, varian, standar deviasi, dan koefisien variansi.

Gambar Histogram Frekuensi

Distribusi frekuensi membantu menentukan derajat non-response suatu kuesioner dan derajat response yang tidak legitimate. Misalnya saja pada gambar 4, nilai 0 dan 8 akan menjadi illegitimate response atau error. Distribusi frekuensi juga mengindikasikan bentuk distribusi empiris dari variabel. Data frekuensi bisa dibentuk dalam histogram, pie chart, bar chart, dan sebagainya.

Cross-tabulationsCross-tabulations adalah teknik statistika yang mendeskripsikan 2 atau lebih variabel secara simultan dan hasilnya berupa tabel yang merefleksikan joint distribution dari 2 atau lenih variabel yang memiliki nilai berbeda yang terbatas. Data-data yang ada dianggap sebagai data kualitatif/kategorikal karena tiap variabel diasumsikan hanya memiliki skala nominal.

a. Tabulasi silang dua variabelDua variabel diklasifikasikan secara silang, kemudian persentase dapat dinilai dengan kolom maupun baris. Peletakan kedua variabel tersebut tergantung pada variabel mana yang dianggap independen dan dependen.

b. Tabulasi multivariatPengenalan variabel ketiga seringkali mengklarifikasi hubungan awal (atau kurangnya hubungan) yang terlihat antara 2 variabel. Masuknya variabel ketiga akan meningkatkan hubungan antara 2 variabel, dapat mengindikasi tidak adanya hubungan antara 2 variabel awal, mengungkap hubungan antara 2 variabel awal,

13


dan dapat mengindikasikan tidak ada perubahan dari hubungan awal dengan 2 variabel.

Statistika InferensiStatistika inferensi adalah proses pembentukan prediksi dan inferensi mengenai populasi dari analisis terhadap data sampel. Statistika inferensi dilakukan pengujian-pengujian hipotesis. Uji hipotesis secara umum dibagi menjadi 2:

a. Test of AssociatioinUji hipotesis dilakukan untuk menguji hubungan antara variabel independen dan dependen.

Gambar uji hipotesis Test of Association

b. Test of DifferencesUji hipotesis secara umum dibagi menjadi 2, yaitu tes parametrik dan non-parametrik. Tes parametrik adalah prosedur uji hipotesis yang mengasumsikan bahwa variabel-variabel yang diteliti diukur (setidaknya sebuah skala interval). Pengujian hipotesis tentang mean menggunakan Uji T.

14


Gambar Uji Hipotesis untuk Test of Differences

15


BAB IIIPENGUMPULAN DATA DAN PENGOLAHAN AWAL

III.1 Gambaran Umum Proses Pengumpulan DataPada tahapan riset pasar ini, kami melakukan pengumpulan data aktual setelah sebelumnya melakukan pengumpulan data awal untuk menguji rancangan kuisioner. Pada pengumpulan data awal ini kami mengumpulkan data dari minimal 120 responden. Metode yang kami pilih pada pengumpulan data ini 100% adalah melalui metode penyebaran kuisioner online. Metode tersebut kami pilih karena berdasarkan penelitian sebelumnya, yaitu pengumpulan data awal, kami mendapatkan kesimpulan bahwa metode kuesioner online adalah metode yang paling memberikan nilai validitas dan reliabilitas tertinggi setelah kami lakukan revisi dan evaluasi pada kuesioner awal yang kami sebarkan menggunakan metode wawancara, tertulis, dan online.

Media yang kami gunakan adalah aplikasi bernama Google Docs. Link dari kuesioner yang kami buat, kami sebarkan menggunakan judgemental samping kepada responden yang dianggap merepresentasikan target market dengan memperhatikan variasi karakteristik sampel, melalui media facebook dan twitter. Pada penyebaran kuisioner yang disebarkan di facebook kami juga menyebarkan di komunitas-komunitas sepak bola agar pada nantinya hasil olahan data responden mampu menggambarkan karakteristik populasi dari target pasar. Berikut ini kami tampilkan penampakkan form kuesioner online yang kami buat dengan Google Docs dengan alamat link: https://docs.google.com/forms/d/1Je72oL5hegYzJdRtnJjO-4GhJSgNoxnMJtzMyRo-xX4/viewform.

16


Target pengumpulan data pada awalnya kami targetkan selama 5 hari. Selama lima hari pertama setelah dilakukan penyebaran kuisioner terkumpul data dari sekitar 75 responden dan pada hari selanjutnya data responden yang masuk cenderung melambat sehingga pengumpulan data menjadi sekitar 7 hari. Hal tersebut disebabkan oleh intensitas kami dalam menyebarkan pemberitahuan mengenai kuisioner kami juga menurun. Pada akhirnya terkumpul sekitar 159 data dari responden setelah 7 hari menyebarkan kuesioner. Data-data tersebut belum dapat langsung kami olah untuk mendapatkan gambaran dan karakteristik dari target populasi. Untuk itu kami selanjutnya melakukan predecessor data process untuk memastikan data yang akan diolah nantinya merupakan data yang berkualitas dan memberikan gambaran yang mendekati pada karakteristik target populasi.

Pengolahan data yang pertama dilakukan adalah dengan membuat codingbook. Codingbook ini berisi kode-kode yang menunjukkan variabel dari data yang telah didapat dari kuisioner. Codingbook ini diperlukan unuk memudahkan kita jika suatu saat kita perlu melakukan pengecekan ulang kembali berkas kuisioner ataupun berbagai hal lain yang berkaitan dengan data tersebut. Coding ini secara lengkap akan menjadi identitas bagi suatu berkas kuisioner tertentu sehingga akan sangat mudah bagi kita untuk melakukan pengecekan. Pengolahan yang kedua yaitu melakukan proses verifikasi untuk memastikan bahwa tidak ada kesalahan input. Hal ini penting karena seringkali kesalahan input mengakibatkan adanya outlier yang bisa mengubah data secara keseluruhan sehingga dapat mengaburkan interpretasi yang seharusnya.

17


III.2 Hal-Hal Spesifik pada Proses Pengumpulan DataKelebihan pengumpulan data secara online ini adalah kami hanya perlu menyebarkan link kuesioner kepada para target responden kami tanpa perlu repot-repot mendatangi mereka dan memberikan kertas-kertas berisi pertanyaan ataupun mewawancarai mereka secara langsung. Sedangkan kekurangan dari metode pengumpulan data secara online adalah tidak terkontrolnya jawaban yang diberikan responden. Hal- hal spesifik yan ditemui pada

saat pengumpulan data ini adalah berhubungan dengan kendala-kendala ataupun masalah-masalah yang dihadapi oleh researcher dalam pengumpulan data untuk tujuan penelitian.

Kendala-kendala yang dihadapi tersebut diantaranya menemukan calon responden yang telah mau mengatakan mau mengisi kuesioner ternyata tidak mengisi, ada juga responden yang komplain karena kuesioner yang terlalu panjang karena jumlah pertanyaan yang cukup banyak, selanjutnya ada responden yang mengeluh karena tulisan di kuesioner terlalu kecil, tampilan keterangan angka 1-5 yang tidak muncul pada pertanyaan bagian bahwa sehingga responden bingung karena lupa akan keterangan angka 1-5, terjadi perbedaan persepsi antara responden dan researcher terhadap pertanyaan yang diberikan karena tidak bertemu secara langsung, dan butuh waktu lama untuk mengumpulkan data yang sesuai dengan target pasar produk sepatu sepak bola. Hal ini lebih detail di bahas pada pengolahan data pada sub-bab selanjutnya.

III.3 Pengolahan Data AwalPengolahan data awal dilakukan dalam beberapa tahapan diantaranya melakukan identifikasi outlier, mengidentifikasi adanya missing value, melakukan pengujian normalitas dan linearitas. Tujuan dari pengolahan data awal ini untuk mendapatkan data bersih dan baik yang memenuhi pengujian normalitas dan linearitas.

III.3.1 Identifikasi OutlierOutlier adalah hasil observasi dengan kombinasi karakteristik yang unik sehingga membedakannya dari observasi lainnya. Pengujian outlier dilakukan dengan SPSS, berikut hasil identifikasi outlier dengan SPSS :

18


Dari hasil identifikasi outlier dengan SPSS, dapat dilihat seperti gambar diatas terdapat beberapa

data yang berada diluar batas minimum dan maksmium. Data unik hasil observasi yang berada

diluar ini bisa dikatakan sebagai outlier. Berikut tabel data yang mengandung outlier Nomor

Soal1 2 3 5 7 8 9 11 12 13 14

Label Variabel

SeimbangDaya

CengkeramUmur

ProdukKomponen Desain Warna Merek Fitur Tampilan Lama Jarak

Nomor responden

yang datanya outlier

9 9 9 101 3 32 15 15 15 15 13

15 15 15 113 10 36 113 32 32 65 15

60 60 26 117 15 43 117 43 43 66

66 86 119 23 67 117 117 67

86 43

107

Outlier yang ada kemudian dihilangkan, sehingga menjadikan adanya missing value pada data responden yang dihilangkan. Tujuan dari penghapusan ini adalah untuk menghilangkan data outlier sehingga didapat data yang baik tanpa outlier. Data yang sudah baik kemudian dapat ditindaklanjuti dengan pengujian asumsi.

19


III.3.2 Identifikasi Missing ValueSetelah menghapus beberapa data karena termasuk dalam data outlier, kemudian langkah berikutnya melakukan analisis missing value yang terjadi. Beberapa data yang terhapus karena termasuk outlier tersebut kemudian masuk menjadi data missing value. Analisis missing value dilakukan dengan tahapan awal yaitu melakukan pengujian ke randoman. Uji ke randoman dilakukan untuk melihat apakah missing value memiliki pola yang khas atau tidak.

Analisis missing valuer menggunakan SPSS dengan metode missing value dengan pilihan EM. Output dari analisis missing valuer EM adalah data yang bersih lengkap dan tanpa outlier lagi. Data missing value yang tadi kemudian langsung terisi lengkap dengan analisis missing value EM. Berikut hasil dari analisis missing value.

III.3.3 Uji

Normalitas

III.3.4 Uji LinearitasPengujian linearitas dilakukan dengan menggunakan SPSS dengan metode mean. Dilihat dari tabel annova nilai signifikansi <0,05 dikatakan linear. Berikut

20

Univariate Statistics

N Mean Std. Deviation Missing No. of Extremesa

Count Percent Low High

x1 114 4,2719 ,66897 6 5,0 0 0

x2 116 4,1724 ,74921 4 3,3 0 0

x3 117 3,7265 ,86726 3 2,5 2 0

x4 120 3,8833 ,88102 0 ,0 0 0

x5 116 3,3103 1,07472 4 3,3 6 0

x6 119 2,9832 1,11980 1 ,8 0 0

x7 115 3,7826 ,86636 5 4,2 1 0

x8 116 3,5000 1,01724 4 3,3 4 0

x9 116 3,5431 ,96362 4 3,3 1 0

x10 120 3,1667 1,08723 0 ,0 0 0

x11 116 3,6034 1,07848 4 3,3 0 0

x12 116 3,6810 ,97445 4 3,3 0 0

x13 116 3,8276 ,85746 4 3,3 0 0

x14 118 3,5339 ,80258 2 1,7 1 0

x15 119 3,1008 1,14533 1 ,8 0 0

x16 120 2,9083 1,28335 0 ,0 0 0

a. Number of cases outside the range (Q1 - 1.5*IQR, Q3 + 1.5*IQR).


hasil pengujian linearitas yang dilakukan menggunakan SPSS dengan metode mean.

No Dimensi Indikator

Signifikansi

Linearitas

1 Performance Keseimbangan 0,00 LinearDaya Cengkeram 0,00 Linear

2 Durability Umur Produk 0,00 LinearKekuatan Bahan 0,00 Linear

3Serviceability

Kemudahan Komponen 0,00 LinearTempat Service 0,00 Linear

4 Aesthetic Desain 0,00 LinearWarna 0,00 Linear

5 Percieved Merek 0,00 LinearTempat Jual 0,00 Linear

6Conformance Kesesuaian Fitur 0,00 Linear

Kesesuaian Tampilan 0,00 Linear

7 Reliability Lama Kerusakan 0,00 LinearJarak Kerusakan 0,00 Linear

8 Feature Sol Dilepas 0,00 LinearKaos Kaki 0,00 Linear

21


BAB IVANALISIS DATA AWAL:

STATISTIKA DESKRIPTIF DAN INFERENSI SEDERHANA

IV.1 Pengolahan Data Statistika DeskriptifPada praktikum ini terdapat dua uji deskriptif yang akan dilakukan, yaitu uji frekuensi dan uji cross tabulation. Uji frekuensi digunakan untuk mengetahui bagaimana karakteristik demografi responden sedangkan uji crosstab digunakan untuk mengetahui bagaimana karakteristik konsumen berdasarkan demografi dan perilakunya. Kedua uji ini dilakukan dengan software SPSS.

IV.1.1 Uji FrekuensiPada umumnya uji frekuensi yang dilakukan pada penelitian adalah untuk mengetahui mean, median, dan modus. Seperti yang sudah dijelaskan sebelumnya, penelitian ini melakukan uji frekuensi untuk mengetahui karakteristik demografi konsumen. Namun, dikarenakan sebagian besar data demografi adalah skala nominal, maka hanya nilai modus yang akan dicari. Rincian hasil uji frekuensi dapat dilihat pada lampiran 2 sedangkan rangkumannya dicantumkan pada subbab ini.

Statistics

Usia Pendidikan Penghasilan Daerah_tempat Daerah_asal

NValid 159 159 159 159 159

Missing 0 0 0 0 0

15-20 tahun

16 tahun

18 tahun

20 - 25 ta

hun

20-25 tahun

21 tahun

23 tahun

25-30 tahun

30-40 tahun

18

2 1 1 26

1

1811 12

1912

72

52 1

Usia

22

D3 S1 S2 SMA SMP0

20406080

100120

Pendidikan Terakhir

Series1


010203040

Pendapatan

Antapan

i

Buah Batu

Coblong

ganesh

a

Lainnya

Lainnya

(San

gkuria

ng) pati Slipi

Suka

sari

Taman

Hewan

010203040

91

101

32 35

1 1 6 1 1 1 1 1 1 6 6 5 1

Daerah Tempat Tinggal

Bali

Bandung

Banten

Cianjur

DIY

DKI Jaka

rta

Jawa B

arat

Jawa T

enga

h

Jawa T

imur

Jawa T

Imur

Kaliman

tan

Lainnya

Lainnya

(Jambi)

pati

Sumate

ra

yogy

akart

a05

101520253035

2

33

3 1 2

19

10

22

59

1 1 1 1

9

1

Daerah Asal

Berdasarkan uji frekuensi diketahui bahwa karakteristik mayoritas responden adalah pria muda dengan usia 21 tahun (11%), pendidikan terakhir SMA (62%), pendapatan pribadi tidak ada, daerah tempat tinggal di Dago dan Coblong, serta daerah asal adalah Bandung (20%). Dari data tersebut dapat dinyatakan bahwa sampel yang diambil sesuai dengan perencanaan survey yang telah dilakukan sebelumnya yaitu sampel yang akan diambil adalah pria muda yang tinggal di Bandung.

23


IV.1.2 Uji Cross TabulationUji ini digunakan untuk mengidentifikasi bagaimana hubungan karakteristik demografi responden dengan perilakunya. Ada beberapa hipotesis yang akan diuji, antara lain :

Apakah usia mempengaruhi konsumen untuk memiliki sepatu futsal?

Apakah orang yang suka futsal mempengaruhi mereka untuk memiliki sepatu futsal?

Apakah tujuan futsal mempengaruhi mereka untuk memiliki sepatu futsal?

Sebelum melakukan uji crosstab, peneliti melakukan pendefinisian variabel dan nilai metrik yang akan digunakan untuk uji ini. Definisi variabel dapat dilihat pada tabel berikut ini.

No

Variabel 1

ID Nilai Variabel 2

ID Nilai

1 Usia Usia 1 = kelompok umur 15-20 tahun

2= Kelompok umur 21-25 tahun

3= Kelompok umur >25tahun

Memiliki sepatu futsal

Punya_Sepatu

1= Tidak memiliki sepatu

2= Memiliki 1 sepatu futsal

3= Memiliki sepatu futsal >1

2 Orang yang suka futsal

Suka_futsal

1= Tidak suka

2= Kurang suka

3= Biasa


Punya_Sepatu


2= Memiliki 1 sepatu

24


saja

4= Cukup suka

5= Sangat suka

futsal


3 Tujuan futsal

Tujuan_futsal

1= Hobi

2= Olahraga

3= Mengisi waktu luang


Punya_Sepatu


2= Memiliki 1 sepatu futsal


Setelah nilai variabel telah diinput, selanjutnya adalah melakukan uji crosstab dengan menggunakan SPSS. Untuk menginterpretasi hasil dari uji ini ada dua indikator yang perlu diperhatikan yaitu jumlah responden pada setiap kelompok dan nilai korelasi pearson-chi square. Variabel dikatakan saling mempengaruhi apabila nilai korelasi pearson > 0.05 apabila kurang, maka hasil pengelompokkan dikatakan tidak valid. Berikut ini adalah hasil uji cross tabulation yang telah dilakukan untuk menguji ketiga hipotesis diatas.

Case Processing Summary

Cases

Valid Missing Total

N Percent N Percent N Percent

25


Berapa_sepatu * Usia 159 100.0% 0 0.0% 159 100.0%

Berapa_sepatu * Suka_futsal 159 100.0% 0 0.0% 159 100.0%

Berapa_sepatu * Tujuan 159 100.0% 0 0.0% 159 100.0%

Crosstab

Count

Usia Total

> 25 tahun 15-20 tahun 21 - 25 tahun 25-30 tahun

Berapa_sepatu

39 0 0 0 0 39

Lebih dari satu 0 2 10 15 0 27

Satu 0 1 29 35 1 66

Tidak punya 0 0 9 14 4 27

Total 39 3 48 64 5 159

Chi-Square Tests

Value df Asymp. Sig. (2-sided)

Pearson Chi-Square 177.246a 12 .000

Likelihood Ratio 189.288 12 .000

N of Valid Cases 159

a. 8 cells (40.0%) have expected count less than 5. The minimum expected count is .51.

26


Crosstab

Count

Suka_futsal Total

- Biasa saja Cukup Kurang Kurang Sangat Tidak

Berapa_sepatu

39 00 0 0 0 0 0 39

Lebih dari satu 0 01 10 0 0 16 0 27

Satu 0 012 32 2 1 19 0 66

Tidak punya 0 110 5 0 5 2 4 27

27


Total 39 123 47 2 6 37 4 159

Chi-Square Tests






28


Crosstab

Count

Tujuan Total

Hobi mengisi waktu luang Mengisi waktu luang Olah Raga

Berapa_sepatu

39 0 0 0 0 39

Lebih dari satu 0 20 0 1 6 27

Satu 0 33 0 7 26 66

Tidak punya 0 9 1 8 9 27

Total 39 62 1 16 41 159

Chi-Square Tests






29


Seperti yang sudah dijelaskan sebelumnya, dalam uji crosstab ada dua hal yang perlu diperhatikan adalah jumlah responden pada setiap kelompok dan nilai korelasinya. Diketahui bahwa ketiga hipotesis tersebut dikatakan tidak benar karena nilai signifikansi korelasi pearson tidak lebih besar dari 0.05. Usia, orang yang suka futsalm dan tujuan futsal dapat dikatakan tidak berpengaruh secara signifikan terhadap nilai kepemilikan sepatu olahraga.

IV.2 Pengolahan Data Statistika Inferensi SederhanaUji inferensi pada umumnya digunakan untuk menguji hipotesis 0 dengan hipotesis pembandingnya. Uji ini hanya dapat dilakukan apabila data diasumsikan memiliki distribusi normal dan linier. Pada penelitian ini, ada dua tujuan uji inferensi yang ingin dicapai. Tujuan pertama adalah untuk mengidentifikasi seberapa besar kepentingan suatu indikator dibandingkan dengan indikator yang lain. Untuk menguji hipotesis tersebut, parameter yang akan digunakan adalah nilai t (Pair-t test). Sedangkan tujuan ke dua adalah untuk mengetahui apakan suatu indikator dapat mempengaruhi indikator lainnya. Untuk mencapai tujuan kedua, uji yang dilakukan adalah uji korelasi.

30


IV.2.1 Uji Pair-t testUntuk menguji apakah H0 diterima atau tidak, parameter yang dapat digunakan sebagai dasar keputusan adalah nilai signifikansi dari uji t-test. Apabila nilai signifikansi >0.05 maka dapat dikatakan bahwa H0 diterima, dan sebaliknya apabila nilai signifikansi kurang dari 0.05 maka tidak ada bukti yang kuat untuk menerima hipotesis 0.

1. Hipotesis : Dimensi performance produk lebih dianggap penting dibandingkan dimensi durability.

a. H0 = μ1 = μ 2

Dimana μ1 rataan dimensi performance produk dan μ 2 adalah dimensi durability produk

b. H1 : μ1 ≠ μ 2

c. α = 0.05 dengan daerah kritis = P= < 0.05

Paired Samples Statistics

Mean N Std. Deviation Std. Error Mean

Pair 1Performance 8.2083 120 1.65461 .15104

Durability 7.5417 120 1.54428 .14097

Paired Samples Test

Paired Differences t df Sig. (2-tailed)

Mean Std. Deviation Std. Error Mean 95% Confidence Interval of the Difference

Lower Upper

Pair 1 Performance - Durability .66667 1.76965 .16155 .34679 .98654 4.127 119 .000

Berdasarkan uji pertama diketahui bahwa nilai signifikansi <0.05, sehingga dapat dikatakan bahwa tidak ada

penjelasan yang cukup untuk menerima hipotesis 0. Dapat disimpulkan, dimensi performance memiliki tingkat

kepentingan yang berbeda dengan dimensi durability.

2. Hipotesis : Dimensi performance produk lebih dianggap penting dibandingkan dimensi aesthetic.

a) H0 = μ1 = μ 2

a. Dimana μ1 rataan dimensi performance produk dan μ 2 adalah dimensi aesthetic produk

b) H1 : μ1 ≠ μ 2

c) α = 0.05 dengan daerah kritis = P= < 0.05

31


Paired Samples Test



Lower Upper

Pair 1 Performance - Aesthetic 1.11667 2.23111 .20367 .71338 1.51996 5.483 119 .000

Berdasarkan uji pertama diketahui bahwa nilai signifikansi <0.05, sehingga dapat dikatakan bahwa tidak ada

penjelasan yang cukup untuk menerima hipotesis 0. Dapat disimpulkan, dimensi performance memiliki tingkat

kepentingan yang berbeda dengan dimensi aesthetic.

3. Hipotesis : Dimensi durability produk lebih dianggap penting dibandingkan dimensi aesthetic.

a. H0 = μ1 = μ 2

a. Dimana μ1 rataan dimensi durability produk dan μ 2 adalah dimensi aesthetic produk

b. H1 : μ1 ≠ μ 2

c. α = 0.05 dengan daerah kritis = P= < 0.05

Paired Samples Test



Lower Upper

Pair 1 Durability - Aesthetic .45000 2.13357 .19477 .06434 .83566 2.310 119 .023

Berdasarkan uji hipotesis ketiga diketahui bahwa nilai signifikansi adalah 0.023 < 0.05, sehingga dapat

dikatakan bahwa tidak ada penjelasan yang cukup untuk menerima hipotesis 0. Dapat disimpulkan, dimensi

durability memiliki tingkat kepentingan yang berbeda dengan dimensi aesthetic.

4. Hipotesis: Peningkatan pada dimensi reliability meningkatkan dimensi durability.a. H0 : Terdapat korelasi antara dimensi reliability dan dimensi durability.b. H1 : Tidak ada korelasi antara dimensi reliability dan dimensi durability.c. α = 0.05 dengan daerah kritis = P < 0.05

Correlations

Reliability Durability

Reliability Pearson Correlation 1 .301**

32


Sig. (2-tailed) .001

N 120 120

Durability

Pearson Correlation .301** 1


N 120 120

**. Correlation is significant at the 0.01 level (2-tailed).

Berdasarkan tabel diatas, diketahui bahwa reliability memiliki korelasi dengan durability, yang

ditunjukkan dengan tanda bintang pada nilai korelasi pearson. Tanda bintang ini menunjukkan

bahwa nilai korelasi 0.301 > 0.05 cukup mampu untuk mengatakan hipotesis 0 dapat diterima.

5. Hipotesis: Peningkatan pada dimensi features meningkatkan dimensi aesthetic.a. H0 : Terdapat korelasi antara dimensi features dan dimensi aesthetic.b. H1 : Tidak ada korelasi antara dimensi features dan dimensi aesthetic.c. α = 0.05 dengan daerah kritis = P < 0.05

Correlations

Features Aesthetic

Features

Pearson Correlation 1 .218*


N 119 119

Aesthetic

Pearson Correlation .218* 1


N 119 120

*. Correlation is significant at the 0.05 level (2-tailed).

Nilai korelasi pada uji hipotesis kelima diketahui bernilai 0.218. Dikarenakan nilai tersebut lebih

besar dari 0.05, maka belum ada sanggahan untuk menerima hipotesis 0 ( adanya korelasi antara

features dengan dimensi aesthetic ).

33


BAB VPEMBAHASAN DAN ANALISIS

V.1 Pembahasan Pengolahan Data AwalPengolahan data awal dilakukan untuk memperoleh data hasil survey yang baik dan bersih. Data yang baik adalah data yang tidak mengandung outlier, memenuhi pengujian normalitas dan linearitas. Data yang baik dapat digunakan untuk melanjutkan pengolahan data. Tahapan untuk mendapatkan data yang baik yaitu pertama melakukan identifikasi outlier, kemudian melakukan analisis missing value, pengujian normalitas dan pengujian linearitas.

V.1.1Analisis OutlierPengujian outlier yang dilakukan terhadap data hasil survey dengan total 120 responden. Data hasil survey tersebut dilakukan pengujian outlier dengan SPSS, untuk melihat data unik yang berbeda dengan data hasil observasi lainnya. Dari pengujian outlier dengan SPSS terlihat beberapa data berada diluar batas minimum dan maksimum atau bisa disebut data tersebut termasuk outlier. Berikut data outlier hasil pengujian outlier dengan menggunakan SPSS.

34


Karena data outlier dapat mengganggu terhadap pengolahan data berikutnya, maka perlu diambil tindakan pada data-data outlier yang berada diluar batas maksimum dan minimum yang terlihat pada gambar diatas. Data outlier tersebut dianalisis mengap masuk dalam data outlier. Data outlier diatas disebabkan karena jawaban responden yang ekstrim sehingga berada diluar batas maksimum dan minimum data pada umumnya. Tindakan yang dilakukan terhadap data outlier ini adalah menghapus data tersebut.

Tindakan untuk menghapus data-data outlier ini menyebabkan terjadinya missing value alias data yang tidak lengkap.

V.1.2Analisis Missing ValueTindakan lebih lanjut dari penghapusan data-data yang termasuk outlier ini dilakukan missing data analysis. Proses analisis missing value ini dilakukan dengan SPSS menggunakan metode EM. Missing data yang ada kemudian otomatis terisi dengan data-data yang baik. Output akhir dari analisis missing value adalah sebuah data yang lengkap 120 responden yang sudah tanpa outlier dan juga missing value. Data yang sudah baik ini kemudian dapat

35


dilanjutkan dengan pengujian normalitas dan linearitas. Berikut hasil analisis missing value yang dilakukan menggunakan missing value.

V.2 A n a l i s i s H a s i l P e n g o l a h a n D a t a : S t a t i s t i k a D e s k r i p t i f &

Inferensi Sederhana Pengolahan data lanjutan dilakukan dengan pengoldahan data statistika deskriptif kepada responden yang telah diambil untuk dijadikan sampel dalam survey. Selain itu dilakukan analisis terhadap hubungan antar variabel melalaui uji inferensi sederhana

V.2.1Analisis Statistika DeskriptifAnalisis terhadap responden melalui statistika deskriptif adalah untuk mengetahui gambaran secara umum sampel responden dalam survey yang telah dilakukan. Sampel responden haruslah sesuai dengan target pasar yang telah ditentukan oleh perusahaan diawal.

Pada pengembangan sepatu sepak bola yang dilakukan PT.X ini, target pasar awal adalah mahasiswa perguruan tinggi di Jawa Barat khususnya Bandung yang gemar bermain Sepak Bola. Berdasarkan uji frekuensi diketahui bahwa karakteristik mayoritas responden adalah pria muda dengan usia 21 tahun (11%), pendidikan terakhir SMA (62%), pendapatan pribadi tidak ada, daerah

36

Univariate Statistics

N Mean Std. Deviation Missing No. of Extremesa

Count Percent Low High

x1 114 4,2719 ,66897 6 5,0 0 0

x2 116 4,1724 ,74921 4 3,3 0 0

x3 117 3,7265 ,86726 3 2,5 2 0

x4 120 3,8833 ,88102 0 ,0 0 0

x5 116 3,3103 1,07472 4 3,3 6 0

x6 119 2,9832 1,11980 1 ,8 0 0

x7 115 3,7826 ,86636 5 4,2 1 0

x8 116 3,5000 1,01724 4 3,3 4 0

x9 116 3,5431 ,96362 4 3,3 1 0

x10 120 3,1667 1,08723 0 ,0 0 0

x11 116 3,6034 1,07848 4 3,3 0 0

x12 116 3,6810 ,97445 4 3,3 0 0

x13 116 3,8276 ,85746 4 3,3 0 0

x14 118 3,5339 ,80258 2 1,7 1 0

x15 119 3,1008 1,14533 1 ,8 0 0

x16 120 2,9083 1,28335 0 ,0 0 0

a. Number of cases outside the range (Q1 - 1.5*IQR, Q3 + 1.5*IQR).


tempat tinggal di Dago dan Coblong, serta daerah asal adalah Bandung (20%). Dari data tersebut dapat dinyatakan bahwa sampel yang diambil sesuai dengan perencanaan survey yang telah dilakukan sebelumnya yaitu sampel yang akan diambil adalah pria muda yang tinggal di Bandung. Hal ini sudah sesuai dengan target pasar yang sudah ditetapkan diawal. Sehingga proses pengolahan dan analisis data lanjutan dapat dilakukan.

Untuk mengambil suatu tindakan dari perusahaan dalam proses pengembangan produk sepatu sepak bola, perusahaan harus melakukan pengujian normalitas dan linearitas pada data hasil survey agar data dapat dilanjutkan dalam pengolahan data.

Pengujian linearitas yang telah didapatkan untuk mendapatkan kesimpulan bahwa data tersebut sudah lolos uji linearitas dan bisa disebut linear. Pengujian linearitas yang dilakukan menggunakan SPSS dengan melihat angka signifikansi pada tabel ANOVA. Suatu data dikatakan linear bila nilai siginifikansi memenuhi syarat linear yaitu >0,05. Hasil dari pengujian linearitas, dapat terlihat pada pengolahan data bahwa semua data bersifat linear karena memiliki nilai siginifikansi 0,00 atau sudah memenuhi syarat linear yaitu >0,05

V.2.2Uji Cross TabPengujian cros tab dilakukan untuk mengetahui apakah perbedaan suatu variabel mempengaruhi hasil dari suatu variabel lainnya. Uji ini digunakan juga untuk mengidentifikasi bagaimana hubungan karakteristik demografi responden dengan perilakunya. Pada pengembangan sepatu sepak bola, PT.X akan menjawab beberapa pertanyaan yang akan digunakan untuk menganalisis tindakan yang harus dilakukan untuk perusahaan itu sendiri. Beberapa pertanyaan yang akan dijawab dari hasil survey yaitu :

1. Apakah usia mempengaruhi konsumen untuk memiliki sepatu futsal?

2. Apakah orang yang suka futsal mempengaruhi mereka untuk memiliki sepatu futsal?

3. Apakah tujuan futsal mempengaruhi mereka untuk memiliki sepatu futsal?

Dari hasil pengujian dengan uji cross tab, didapatkan hasil bahwa usia, penyuka futsal, dan alasan orang bermain futsal tidak mempengaruhi terhadap keputusan seseorang memiliki sepatu futsal. Disini dapat disimpulkan bahwa memang olahraga futsal merupakan olahraga rakyat yang dapat dilakukan segala umur. Futsal bisa menjadi olahraga rakyat dikarenakan futsal merupakan olahraga yang murah dan tidak mewajibkan si pemainnya untuk

37


memiliki sepatu. Melihat hasil dari analisis tersebut maka target dari pemasaran sepatu futsal akan lebih dikembangkan lagi. Target pasar yang sudah ditentukan sebelumnya akan dikembangkan lebih luas lagi menjadi semua umur, ditujukan baik yang gemar futsal untuk sekedar hobi, olahraga, pekerjaan, dan semua alasan tujuan bermain futsal.

V.2.3Uji HipotesisPengujian hipotesis dilakukan untuk membuktikan hipotesis atau perkiraan-perkiraan yang dibentuk oleh perusahaan sebelum melakukan survey. Hipotesis atau perkiraan yang sebelumnya belum tentu kebenarannya kemudian diuji dan dilakukan analisis untuk mengambil tindakan lanjutan untuk perusahaan. Beberapa hipotesis atau perkiraan yang dibentuk dan akan dilakukana analisis oleh perusahaan antara lain :

1. Hipotesis : Dimensi performance produk lebih dianggap penting dibandingkan dimensi durability.

2. Hipotesis : Dimensi performance produk lebih dianggap penting dibandingkan dimensi aesthetic.

3. Hipotesis : Dimensi durability produk lebih dianggap penting dibandingkan dimensi aesthetic.

4. Hipotesis : Peningkatan pada dimensi reliability meningkatkan dimensi durability.

5. Hipotesis : Peningkatan pada dimensi features meningkatkan dimensi aesthetic.

Kelima dugaan ini dilakukan pengujian karena perusahaan menganggap bahwa kelima dugaan tersebut penting dan berpengaruh untuk tindakan yang harus dilakukan perusahaan kedepannya. Variabel yang dianggap saling berpengaruh akan diambil tindakan lanjutan. Tindakan lanjutan berupa pemaksimalan variabel yang berpengaruh tersebut pada produk sepak bola yang sedang dikembangkan ini.

Dari hasil uji hipotesis didapatkan data berikut :

1. Berdasarkan uji pertama diketahui bahwa nilai signifikansi <0.05, sehingga dapat dikatakan bahwa tidak ada penjelasan yang cukup untuk menerima hipotesis 0. Dapat disimpulkan, dimensi performance memiliki tingkat kepentingan yang berbeda dengan dimensi durability. Dengan kata lain untuk meningkatkan durability dari produk sepatu sepak bola, perusahaan tidak dapat meningkatkan performance secara bersamaan, karena tidak memiliki tingkat pengaruh yang signifikan. Begitu juga sebaliknya meningkatkan durability tidak berpengaruh terhadap meningkatnya performance.

38


2. Berdasarkan uji kedua diketahui bahwa nilai signifikansi <0.05, sehingga dapat dikatakan

bahwa tidak ada penjelasan yang cukup untuk menerima hipotesis 0. Dapat disimpulkan, dimensi performance memiliki tingkat kepentingan yang berbeda dengan dimensi aesthetic. Dengan kata lain untuk meningkatkan aesthetic dari produk sepatu sepak bola, perusahaan tidak dapat meningkatkan performance secara bersamaan, karena tidak memiliki tingkat pengaruh yang signifikan. Begitu juga sebaliknya meningkatkan aesthetic tidak berpengaruh terhadap meningkatnya performance.

3. Berdasarkan uji hipotesis ketiga diketahui bahwa nilai signifikansi adalah 0.023 < 0.05, sehingga dapat dikatakan bahwa tidak ada penjelasan yang cukup untuk menerima hipotesis 0. Dapat disimpulkan, dimensi durability memiliki tingkat kepentingan yang berbeda dengan dimensi aesthetic. Dengan kata lain untuk meningkatkan aesthetic dari produk sepatu sepak bola, perusahaan tidak dapat meningkatkan durability secara bersamaan, karena tidak memiliki tingkat pengaruh yang signifikan. Begitu juga sebaliknya meningkatkan aesthetic tidak berpengaruh terhadap meningkatnya durability.

4. Berdasarkan uji hipotesis dibab 4, diketahui bahwa reliability memiliki korelasi dengan

durability, yang ditunjukkan dengan tanda bintang pada nilai korelasi pearson. Tanda

bintang ini menunjukkan bahwa nilai korelasi 0.301 > 0.05 cukup mampu untuk mengatakan

hipotesis 0 dapat diterima. Dengan kata lain, untuk mengembangkan produk sepak bola yang

lebih reliabel, perusahaan dapat meningkatkan pula durability sepak bola. Dan juga begitu

sebaliknya.

5. Nilai korelasi pada uji hipotesis kelima diketahui bernilai 0.218. Dikarenakan nilai tersebut

lebih besar dari 0.05, maka belum ada sanggahan untuk menerima hipotesis 0 ( adanya

korelasi antara features dengan dimensi aesthetic ). Dengan kata lain, perusahaan dapat

meningkatkan nilai aesthetic dari sepatu sepak bola dengan meningkatkan features dari sepak

bola itu sendiri.

39


BAB VIKESIMPULAN DAN SARAN

VI.1 Kesimpulan Kesimpulan dihasilkan dengan menjawab tujuan dari penulisan laporan ini. Berikut kesimpulan dari pengukuran antropometri sesuai dengan tujuan diawal :

1. Pengujian outlier yang dilakukan terhadap data hasil survey dengan total 120 responden. Data hasil survey tersebut dilakukan pengujian outlier dengan SPSS, untuk melihat data unik yang berbeda dengan data hasil observasi lainnya. Dari pengujian outlier dengan SPSS terlihat beberapa data berada diluar batas minimum dan maksimum atau bisa disebut data tersebut termasuk outlier. Data outlier dapat mengganggu terhadap pengolahan data berikutnya, maka perlu diambil tindakan pada data-data outlier yang berada diluar batas maksimum dan minimum yang terlihat pada gambar diatas. Data outlier tersebut dianalisis mengap masuk dalam data outlier. Data outlier diatas disebabkan karena jawaban responden yang ekstrim sehingga berada diluar batas maksimum dan minimum data pada umumnya. Tindakan yang dilakukan terhadap data outlier ini adalah menghapus data tersebut.

2. Pengolahan data awal dilakukan dalam beberapa tahapan diantaranya melakukan identifikasi outlier, mengidentifikasi adanya missing value, melakukan pengujian normalitas dan linearitas.

3. Uji deskriptif yang dilakukan ada 2 (dua), yaitu uji frekuensi dan uji cross tabulation. Uji frekuensi digunakan untuk mengetahui bagaimana karakteristik demografi responden sedangkan uji crosstab digunakan untuk mengetahui bagaimana karakteristik konsumen berdasarkan demografi dan perilakunya. Kedua uji ini dilakukan dengan software SPSS.

4. Pengujian hipotesis dilakukan untuk membuktikan hipotesis atau perkiraan-perkiraan yang

dibentuk oleh perusahaan sebelum melakukan survey.

a. Berdasarkan uji pertama diketahui bahwa nilai signifikansi <0.05, sehingga dapat dikatakan bahwa tidak ada penjelasan yang cukup untuk menerima hipotesis 0. Dapat disimpulkan, dimensi performance memiliki tingkat kepentingan yang berbeda dengan

40


dimensi durability. Dengan kata lain untuk meningkatkan durability dari produk sepatu sepak bola, perusahaan tidak dapat meningkatkan performance secara bersamaan, karena tidak memiliki tingkat pengaruh yang signifikan. Begitu juga sebaliknya meningkatkan durability tidak berpengaruh terhadap meningkatnya performance.

b. Berdasarkan uji kedua diketahui bahwa nilai signifikansi <0.05, sehingga dapat

dikatakan bahwa tidak ada penjelasan yang cukup untuk menerima hipotesis 0. Dapat disimpulkan, dimensi performance memiliki tingkat kepentingan yang berbeda dengan dimensi aesthetic. Dengan kata lain untuk meningkatkan aesthetic dari produk sepatu sepak bola, perusahaan tidak dapat meningkatkan performance secara bersamaan, karena tidak memiliki tingkat pengaruh yang signifikan. Begitu juga sebaliknya meningkatkan aesthetic tidak berpengaruh terhadap meningkatnya performance.

c. Berdasarkan uji hipotesis ketiga diketahui bahwa nilai signifikansi adalah 0.023 < 0.05, sehingga dapat dikatakan bahwa tidak ada penjelasan yang cukup untuk menerima hipotesis 0. Dapat disimpulkan, dimensi durability memiliki tingkat kepentingan yang berbeda dengan dimensi aesthetic. Dengan kata lain untuk meningkatkan aesthetic dari produk sepatu sepak bola, perusahaan tidak dapat meningkatkan durability secara bersamaan, karena tidak memiliki tingkat pengaruh yang signifikan. Begitu juga sebaliknya meningkatkan aesthetic tidak berpengaruh terhadap meningkatnya durability.

d. Berdasarkan uji hipotesis dibab 4, diketahui bahwa reliability memiliki korelasi

dengan durability, yang ditunjukkan dengan tanda bintang pada nilai korelasi

pearson. Tanda bintang ini menunjukkan bahwa nilai korelasi 0.301 > 0.05 cukup

mampu untuk mengatakan hipotesis 0 dapat diterima. Dengan kata lain, untuk

mengembangkan produk sepak bola yang lebih reliabel, perusahaan dapat

meningkatkan pula durability sepak bola. Dan juga begitu sebaliknya.

e. Nilai korelasi pada uji hipotesis kelima diketahui bernilai 0.218. Dikarenakan nilai

tersebut lebih besar dari 0.05, maka belum ada sanggahan untuk menerima hipotesis

0 ( adanya korelasi antara features dengan dimensi aesthetic ). Dengan kata lain,

perusahaan dapat meningkatkan nilai aesthetic dari sepatu sepak bola dengan

meningkatkan features dari sepak bola itu sendiri.

41


VI.2 Saran

VI.2.1 Untuk PraktikumDalam melakukan pengolahan data awal suatu survey, perlu diperhatikan bahwa prinsip-prinsip dan teori-teori yang sudah ada jangan diabaikan, karena akan sangat membantu kita dalam mengolah data-data tersebut. Penyajian data dilakukan seatraktif dan semenarik mungkin sehingga selain orang tertarik, juga lebih mudah dalam membaca dan memahaminya.

VI.2.2 Untuk Asisten Asisten sudah sangat baik dalam menjelaskan modul praktikum ini.

42


DAFTAR PUSTAKA

Laboratorium Perancangan MRI. (2014). Modul Pengolahan dan Analisis Data Awal. In MR 3004 Praktikum Manajemen Rekayasa Industri 2 (1st ed.). Bandung: Prodi Manajemen Rekayasa Industri, Institut Teknologi Bandung.

43


Lampiran

Hasil Uji Linearitas

44


45


46


47


48


49


50


51


52


53


54


55


56


57


58


59


60

laporan modul 4 praktikum pmr 2

Documents