1

MEMILIH METODE ANALISIS KUANTITATIF

UNTUK PENELITIAN ARSITEKTUR

Hanson Endra Kusuma

Kelompok Keahlian Perancangan Arsitektur Sekolah Arsitektur, Perencanaan dan Pengembangan Kebijakan

Institut Teknologi Bandung

Email: hangsong@ar.itb.ac.id

ABSTRAK

Penelitian diawali dengan konteks permasalahan dan penentuan tujuan. Berdasarkan tujuan

tersebut, direncanakan metode pengumpulan data dan analisis data. Tujuan menentukan metode

pengumpulan data dan analisis data. Tetapi, sebaliknya metode pengumpulan data dan analisis

data yang akan digunakan juga membatasi tujuan yang bisa ditentukan, karena jenis data yang

dikumpulkan dan jenis analisis yang dipilih akan membatasi kemungkinan temuan penelitian.

Dengan demikian, pemahaman terhadap metode pengumpulan data dan kemampuan beragam

jenis analisis data, serta kemungkinan temuan analisis, merupakan pengetahuan esensial yang

perlu dimiliki sebelum memulai penelitian. Paper ini mencoba membahas secara konseptual,

garis besar metode analisis kuantitatif (statistik) yang sering digunakan pada penelitian

arsitektur, terutama untuk tesis dan disertasi. Analisis yang dibahas dalam paper ini : analisis

distribusi, analisis koresponden, anova, analisis korelasi, analisis komponen prinsip/analisis

faktor, analisis klaster, analisis regresi dan Structural Equation Modeling (SEM). Masing-

masing fungsi dan cara penggunaan analisis dijelaskan secara konseptual disertai dengan contoh,

agar mudah dipahami terutama oleh mahasiswa pasca-sarjana yang akan memulai merancang

penelitian.

Kata-kunci : penelitian arsitektur, penelitian kuantitatif, jenis data, metode analisis kuantitatif

POSISI ANALISIS KUANTITATIF

Jika dibagi ke dalam dua perspektif yang saling berlawanan, penelitian dapat dikelompokkan ke

dalam dua kategori metodologi : kualitatif dan kuantitatif. Penelitian kualitatif didasari oleh sudut pandang/perspektif/paradigma social constructivism, yang beranggapan setiap fenomena

merupakan suatu keutuhan yang tidak dapat dijelaskan hanya dengan beberapa faktor saja.

Penelitian kuantitatif didasari oleh perspektif post-positivism, yang beranggapan fenomena dapat dijelaskan dengan menggunakan sekumpulan faktor yang mewakili fenomena (reduksionis) dan

faktor sebab menentukan/mempengaruhi faktor akibat dari fenomena tersebut (deterministik).

Selain dua perspektif tersebut di atas, John W. Creswell (2003) menambahkan dua perspektif yang pengkategoriannya bukan berdasarkan pada pandangan terhadap keutuhan fenomena seperti dua

perspektif tersebut di atas, yaitu : pragmatism dan advocacy/participatory. Pragmatism

beranggapan yang paling penting adalah pemahaman terhadap permasalahan atau mengetahui solusi permasalahan, dan metode apa saja dapat digunakan sesuai dengan permasalahan yang

dihadapi. Perspektif ini mendasari penelitian pragmatis atau gabungan yang disebut mixed methods

(Creswell, 2003, hal 11-13) atau combined-strategies (Linda Groat & David Wang, 2002, hal 369-370). Perspektif advocacy/participatory, - seperti arti kata dari namanya -, mengutamakan keadilan

sosial, perubahan atau manfaat yang dirasakan oleh partisipan atau siapa saja yang terlibat

penelitian, termasuk kelompok-kelompok minoritas atau yang tidak diperhatikan. Perspektif ini

sangat memberikan perhatian pada agenda perubahan atau misi politik dalam pelaksanaannya.

Dari empat kategori metodologi penelitian yang didasari empat perspektif di atas, kategori

penelitian yang mengumpulkan data kuantitatif dan membutuhkan analisis kuantitatif adalah penelitian kuantitatif (sesuai dengan namanya). Pada konteks fenomena tertentu, penelitian

gabungan juga mungkin mengumpulkan data kuantitatif, jika juga menggunakan metode

2

pengumpulan data kuantitatif. Dari deskripsi di atas, jelas bahwa analisis data kuantitatif (lazim

disebut statistik) merupakan bagian dari metode penelitian kuantitatif, baik penelitian kuantitatif

dalam kelompok penelitian korelasional (tanpa intervensi) maupun eksperimential/quasi-

eksperimental (dengan intervensi). Penggunaan analisis kuantitatif pada penelitian kualitatif hanya sebatas analisis distribusi frekuensi yang merupakan ujung dari content analysis.

TEMUAN PENELITIAN DAN ANALISIS

Ciri khas dari penelitian kuantitatif : penggunaan beberapa faktor yang dianggap mewakili atau

menjelaskan fenomena (reduksionis) dan pencarian hubungan non kausal atau kausal antar faktor tersebut (deterministik). Karena itu, pada penelitian kuantitatif pengumpulan data hanya

dilaksanakan pada/tentang faktor yang dianggap mewakili atau menjelaskan fenomena, dan sebagai

konsekuensinya data yang dikumpulkan tersebut akan membatasi kemungkinan temuan analisis.

Dengan kata lain, lingkup temuan analisis dibatasi oleh data yang dikumpulkan, tetapi temuan penelitian itu sendiri tergantung pada jenis analisis yang digunakan. Jadi, penelitian kuantitatif

tidak mungkin direncanakan tanpa perencanaan pengumpulan lingkup dan jenis data, serta jenis

analisis kuantitatif yang akan digunakan.

JENIS DATA

Jenis data yang dikumpulkan akan menentukan jenis analisis yang dapat digunakan. Dalam analisis

kuantitatif, jenis data dikelompokkan menjadi 3 : nominal, ordinal dan continuous. Data nominal

merupakan data kategori, seperti jenis pekerjaan, kota tempat tinggal, pendidikan, bidang keahlian

dll. Data kategori dapat berupa angka numerik coding dari kategori atau teks (kata-kata) yang menjadi indikator dari kategori. Data ordinal merupakan data urutan atau data yang memiliki

rangking. Data continuous merupakan data interval dan rasio. Data interval adalah data yang

memiliki peringkat, misalnya jika angka semakin besar semakin baik, semakin tinggi dst. Contoh data interval, data yang diperoleh dari kuesioner yang menggunakan jawaban skala likert atau

semantic differential method (menggunakan kata sifat yang saling berlawanan, dan umumnya

berskala 1 sampai dengan 4, 5, 6 atau 7). Data rasio merupakan data yang memiliki nilai kuantitatif

yang sebanding dengan besaran angkanya, misalnya data berat badan, 10 kg dua kali lebih berat daripada 5 kg. Yang lain misalnya jumlah uang, jumlah orang, luas ruang, lebar jalan dll.

ANALISIS DATA

Melihat dari jumlah variabel yang digunakan dalam analisis, analisis dikelompokkan menjadi

analisis univariat, bivariat dan multivariat. Analisis univariat menggunakan hanya satu variabel, misalnya analisis distribusi. Analisis bivariat menggunakan dua variabel, misalnya analisis

koresponden, anova, analisis korelasi dan analisis regresi bivariat. Analisis multivariat

menggunakan banyak variabel, misalnya analisis komponen prinsip, analisis faktor, analisis klaster,

analisis regresi multivariat dan structural equation modeling (SEM). Analisis bivariat dapat menggunakan data nominal, ordinal atau continuous. Analisis multivariat hanya menggunakan data

continuous. Di bawah ini penjelasan konseptual masing-masing analisis yang disebutkan di atas.

Analisis Distribusi

Analisis distribusi digunakan untuk mengetahui ragam kategori di dalam data dan

penyebaran/frekuensi dari masing-masing kategori tersebut. Jenis data yang digunakan umumnya data kategori (nominal) meskipun data bukan nominal seperti data ordinal atau continuous juga

dapat diperlakukan sebagai data nominal dan dianalisis dengan analisis distribusi. Luaran analisis

distribusi paling populer ditampilkan dalam bentuk diagram batang (histogram) atau diagram

lingkaran/kue (pie-chart). Dari diagram distribusi secara visual akan bisa diketahui dengan mudah, misalnya persentase dan frekuensi (termasuk frekuensi paling tinggi dan rendah) pendapatan dalam

suatu permukiman (diagram 1), jumlah penghuni yang tinggal di bawah satu atap (diagram 2), luas

hunian per orang (diagram 3), atau alasan merasa betah paling dominan tinggal di suatu permukiman tertentu (diagram 4).

3

Diagram 1 (kiri atas). Distribusi pendapatan per bulan kepala keluarga (PBK), data 108 responden. Angka di

bawah diagram batang menunjukkan frekuensi setiap kategori. Angka di ujung diagram batang

probabilitas/persentase setiap kategori.

Diagram 2 (tengah atas). Distribusi jumlah total penghuni dalam satu rumah, data 108 responden.

Diagram 3 (kanan atas). Distribusi luas rumah per penghuni dalam satuan m2, data 104 responden.

Diagram 4. Alasan betah tinggal di

permukiman kampung kota di Bandung,

yang disurvei tahun 2005. Angka di

bawah diagram batang menunjukkan

frekuensi setiap kata kunci. Angka di

ujung diagram batang probabilitas/

persentase setiap kata kunci. Kata kunci

berasal dari deskripsi 108 responden yang

berisi alasan betah tinggal di

permukimannya. Deskripsi yang berupa

data teks dianalisis dengan content analysis dengan langkah-langkah sbb : 1. Ekstraksi kata kunci dari data teks. 2. Pengkategorian kata kunci : mengelompok-

kan kata kunci yang memiliki arti sama atau mirip, dan selajutnya memberikan nama yang dapat mewakili sekelompok kata kunci tersebut.

3. Konversi data teks menjadi data numerik 0-1 (langkah ini optional, untuk mempermudah langkah berikutnya).

4. Analisis distribusi kata kunci yang telah

dikategorikan dan dikonversi menjadi data 0-1. Keluaran akhir langkah ini berupa diagram batang seperti ditampilkan di sebelah kanan.

Analisis Koresponden Analisis koresponden digunakan untuk mengetahui kedekatan hubungan antar kategori dari dua

variabel nominal. Variabel yang digunakan selalu nominal, baik numerik ataupun karakter/teks.

Analisis koresponden tidak menghasilkan koefisien, seperti analisis korelasi atau regresi, tetapi

menghasilkan correspondence analysis plot (cap), dengan axis yang memiliki skor yang menunjukkan kedekatan hubungan antar kategori. Setiap axis memiliki cumulative inertia portion

yang menjadi indikator porsi kemampuan axis tersebut menjelaskan data. Kedekatan hubungan

antar kategori dapat diketahui langsung secara visual dengan melihat kedekatan posisi antar kategori tersebut pada bidang cap, misalnya titik kategori pendidikan SD paling dekat dengan titik

kategori pendapatan PBK ≤ 400rb, dan agak jauh dari titik 400rb < PBK≤ 800rb; jadi jika

pendidikan SD kemungkinan besar pendapatan kurang dari 400rb per bulan, bukan lebih dari 400rb (diagram 5). Selanjutnya jika pendapatan kurang dari 400rb per bulan (PBK ≤ 400rb, lihat diagram

6), maka kemungkinan besar akan tinggal di rumah dengan luas lantai per orang kurang dari 9 m2

(luas < 9 m2, lihat diagram 6). Kedekatan pada analisis koresponden menunjukkan kemungkinan

co-incidence atau co-occurence antar kategori dari variabel nominal.

A. PBK ≤ 400rb

B. 400rb < PBK ≤ 800rb

C. 800rb < PBK ≤ 1200rb

D. 1200rb < PBK ≤ 1600rb

E. 1600rb < PBK

14.2

32.1

26.4

15.1

12.3

5 15 25 35

Count

PENGHASILAN PER BULAN

A. 1-4

B. 5-8

C. 9-12

D. lebih dari 13

25.0

54.6

12.0

8.3

10 30 50

Count

JUMLAH PENGHUNI

A. luas < 9m2

B. 9m2 ≤ luas < 18m2

C. 18m2 ≤ luas < 27m2

D. 27m2 ≤ luas < 36m2

E. 36m2 ≤ luas

35.6

33.7

12.5

7.7

10.6

5 15 25 35

Count

LUAS RUMAH PER PENGHUNI

Distributions

aksesibilitas mudah/strategis

bisa/dekat usaha di rumah

fasilitas cukup

hubungan baik antar tetangga

hubungan keluarga baik

infrastruktur baik

interkaksi akt if di lingkungan

lama t inggal

lingkungan aman

lingkungan baik/nyaman

lingkungan bersih/udara segar

lingkungan tenang

ruang interaksi depan rumah

rumah bangun sendiri

rumah milik sendiri

rumah tertata/nyaman

sesuai kemampuan

tingkat sosial setara

warisan

16.5

4.6

4.6

22.0

9.2

2.8

3.7

3.7

10.1

3.7

2.3

1.8

0.5

1.4

5.0

4.1

1.4

0.5

2.3

10 20 30 40 50

Count

4

Diagram 5 (kiri atas). Koresponden antara pendidikan dan penghasilan per bulan kepala keluarga (PBK).

Analisis menggunakan 98 dari 108 sampel (91%), tidak menyertakan kategori pendidikan Tidak Sekolah, D2,

D3 dan S2 yang memiliki jumlah total hanya 10 orang (9% dari jumlah total sampel). Cumulative inertia

portion 96% : mampu menjelaskan 96% kecenderungan data.

Diagram 6 (kanan atas). Koresponden antara luas rumah per penghuni dan penghasilan per bulan kepala

keluarga (PBK). Analisis menggunakan 102 dari 108 sampel (94%), data 6 sampel tidak ada (missing-value).

Cumulative inertia portion 94% : mampu menjelaskan 94% kecenderungan data.

Anova

Anova (analysis of variance) digunakan untuk mengetahui perbedaan parameter (indikator numerik yang digunakan untuk memberikan ukuran, selalu data continuous) antar data nominal dengan

melihat nilai rata-rata parameter dari setiap kategori dalam data nominal tersebut. Anova paling

mudah dipahami jika ditampilkan dalam bentuk diagram dua dimensi. Diagram dua dimensi tersebut selalu menggunakan data nominal sebagai sumbu x dan data continuous pada sumbu y.

Misalnya, pada diagram 7, sumbu x adalah data 20 rumah tinggal dan sumbu y adalah evaluasi

preferensi 99 responden terhadap setiap rumah. Dari diagram dapat diketahui perbedaan tingkat

preferensi dari setiap rumah. Rumah dengan tingkat preferensi paling tinggi no 7, 2 dan 17.

Anova juga dapat digunakan untuk melihat perbedaan parameter antar kelompok dari setiap

kategori data nominal, seperti yang diperlihatkan pada diagram 8. Dari diagram dapat diketahui perbedaan preferensi antar kelompok terhadap setiap rumah, misalnya perbedaan preferensi Ar dan

Sp terhadap rumah no 6 dan 16 lebih besar dibanding rumah lain. Perbedaan preferensi antara

kelompok Ar dan Sp terhadap rumah no 16 signifikan, dapat dibuktikan dari pemisahan mean

comparison pada diagram 9. Diagram 7. Perbedaan tingkat preferensi

antar objek. Sumbu x data kategori 20

rumah tinggal nomor 1 s/d 20. Sumbu y

data interval evaluasi suka-tidak suka,

menggunakan metode semantic differential method, berskala 1 (sangat

tidak suka) sampai dengan 7 (sangat suka).

Garis tengah setiap mean diamond

merupakan rata-rata evaluasi setiap objek.

Garis zikzak menghubungkan rata-rata

evaluasi semua objek. Titik-titik pada

bidang diagram merupakan skor evaluasi

dari setiap objek yang saling tumpang-

tindih.

1

2

3

4

5

6

7

Su

ka

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Objek

-0.4

-0.3

-0.2

-0.1

0

0.1

0.2

0.3

0.4

0.5

0.6

c2

A. luas < 9m2

B. 9m2 ≤ luas < 18m2

C. 18m2 ≤ luas < 27m2

D. 27m2 ≤ luas < 36m2

E. 36m2 ≤ luas

A. PBK ≤ 400rb

B. 400rb < PBK ≤ 800rb

C. 800rb < PBK ≤ 1200rb

D. 1200rb < PBK ≤ 1600rbE. 1600rb < PBK

-0.4 -0.2 0 0.2 0.4 0.6 0.8

c1

Bivariate Fit of c2 By c1

-0.75

-0.5

-0.25

0

0.25

0.5

0.75

c1

S1

SD

SLTA

SLTP

A. PBK ≤ 400rb

B. 400rb < PBK ≤ 800rb

C. 800rb < PBK ≤ 1200rb

D. 1200rb < PBK ≤ 1600rb

E. 1600rb < PBK

-0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 0.6

c2

Bivariate Fit of c1 By c2

5

Diagram 8. Perbedaan tingkat preferensi

kelompok Ar dan Sp terhadap setiap objek.

Sumbu x data kategori 20 objek bernomor

1 sampai dengan 20. Sumbu y evaluasi

preferensi berskala 1 s/d 7. Pada diagram

hanya ditampilkan skala 2 s/d 6. Kode Ar

pada diagram mewakili responden

mahasiswa arsitektur. Kode Sp mewakili

mahasiswa non-arsitektur. Posisi titik Ar

atau Sp menunjukkan rata-rata evaluasi

kelompok pada setiap objek. Garis zikzak menghubungkan rata-rata evaluasi dua

kelompok. Jarak vertikal antar Ar dan Sp

menunjukkan perbedaan tingkat preferensi

antara Ar dan Sp.

Foto 1 (kiri atas). Objek no 16. Rumah tinggal dengan tingkat preferensi antara Ar dan Sp berbeda signifikan. Diagram 9 (kanan atas). Perbedaan tingkat preferensi antara kelompok Ar dan Sp pada objek no 16. Sumbu

x, data nominal kategori Ar dan Sp, sumbu y evaluasi tidak suka-suka berskala 1 s/d 7. Garis tengah mean

diamond menunjukkan rata-rata evaluasi kelompok bersangkutan. Ujung atas dan bawah merupakan batas

interval 95%. Mean comparison pada bagian kanan ditampilkan dengan dua lingkaran yang masing-masing

mewakili kelompok Ar dan Sp. Titik pusat lingkaran segaris-lurus dengan garis tengah mean diamond.

Diameter lingkaran mewakili interval 95%, segaris dengan titik teratas dan terbawah mean diamond. Dua

lingkaran terpisah menandakan perbedaan evaluasi antara kelompok signifikan.

Analisis Korelasi Bivariat

Analisis koreleasi bivariat digunakan untuk mengetahui kedekatan hubungan dua variabel

continuous (interval atau rasio). Kedekatan hubungan antara dua variabel ditunjukkan dengan

koefisien korelasi (r) yang umumnya dipahami sbb : 0 < r ≤ 0.2 korelasi sangat rendah

0.2 < r ≤ 0.4 korelasi rendah

0.4 < r ≤ 0.6 korelasi sedang

0.6 < r ≤ 0.8 korelasi tinggi 0.8 < r < 1 korelasi sangat tinggi

Koefisien korelasi positif menunjukkan hubungan searah dan korelasi negatif hubungan berlawanan arah. Secara visual, besar-kecil koefisien korelasi dapat diketahui dari penyebaran data

pada scatter-plot yang disusun dari sumbu x dan y dua variabel yang dikorelasikan. Jika density

ellips yang melingkupi penyebaran data semakin ramping dan diagonal maka koefisien korelasi akan semakin besar (diagram 10), sebaliknya jika density ellips semakin gemuk/bulat maka

koefisien korelasi akan semakin kecil (diagram 11). Pada diagram 10, koefisien korelasi 0.7

(tinggi), berarti jika bangunan semakin serasi maka cenderung semakin disukai. Pada diagram 11, koefisien korelasi 0.22 (rendah), berarti jika bangunan semakin mewah belum tentu semakin

disukai atau semakin tidak disukai. Hubungan antara kemewahan dan preferensi rendah.

2

3

4

5

6

Su

ka

Ar

Sp

ArSp

Ar

Sp

ArSp

Ar

Sp

Ar

Sp

Ar

Sp

Ar

Sp

Ar

Sp

Ar

Sp

Ar

Sp

Ar

Sp

ArSpArSp

Ar

SpAr

Sp Ar

Sp

Ar

Sp

Ar

Sp

Ar

Sp

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Objek

0

1

2

3

4

5

6

7

8Su

ka

Ar Sp

Group

Each Pair

Student's t

0.05

6

Diagram 10 (kiri atas). Korelasi antara keserasian dan preferensi. Sumbu x, data continuous/interval berskala

1 sangat tidak serasi s/d 7 sangat serasi. Sumbu y, data continuous/interval berskala 1 sangat tidak suka s/d 7

sangat suka. Titik pada diagram merupakan skor evaluasi yang saling tumpang-tindih. Density contour akan

semakin padat jika tumpang-tindih skor pada satu titik semakin banyak. Ellips pada diagram melingkupi 90%

penyebaran data. Koefisien korelasi 0.7, significant value kurang dari 0.01%, tingkat kepercayaan lebih dari

99.99%. Kesepakatan umum yang sering digunakan, sig. value lebih kecil dari 0.05.

Diagram 11 (kanan atas). Korelasi antara kemewahan dan preferensi. Sumbu x, data continuous/interval

berskala 1 sangat sederhana s/d 7 sangat mewah. Sumbu y, data continuous/interval berskala 1 sangat tidak

suka s/d 7 sangat suka. Koefisien korelasi 0.22, significant value kurang dari 0.01%.

Analisis Korelasi Multivariat

Disebut korelasi multivariat karena melibatkan lebih dari dua variabel. Jika sejumlah variabel

dikorelasikan satu sama lain, maka akan diperoleh sejumlah koefisien korelasi, yang disusun dalam matriks koefisien korelasi seperti pada tabel 1. Matriks tersebut dapat dimanfaatkan untuk dengan

cepat membandingkan besaran koefisien korelasi antar variabel dan mengidentifikasi variabel-

variabel yang memiliki korelasi sangat tinggi, tinggi, sedang, rendah dan sangat rendah. Gambaran

tinggi-rendah koefisien korelasi antar variabel tersebut juga merupakan gambaran hubungan antar faktor yang menyusun fenomena yang diambil datanya. Meskipun belum definitif, gambaran

hubungan antar faktor tersebut dapat digunakan untuk mereka-reka pola temuan analisis yang akan

diperoleh jika data dianalisis lebih lanjut dengan analisis multivariat yang lain.

Tabel 1. Matriks koefisien korelasi 13 variabel evaluasi rumah tinggal.

Analisis Regresi Bivariat Analisis regresi bivariat digunakan untuk mengetahui hubungan kausal antara dua variabel

continuous, berupa kekuatan pengaruh (besar kecil), bentuk pengaruh (linier atau polinomial).

Karena itu, pada analisis regresi digunakan istilah variabel yang mempengaruhi (disebut juga

1

2

3

4

5

6

7

Su

ka

1 2 3 4 5 6 7

Serasi

1

2

3

4

5

6

7

Su

ka

1 2 3 4 5 6 7

Mewah

Bagus Fungsional Kompleks Proporsional Teratur Unik Modern Nyaman Mewah Baru Serasi Suka Rumit

Bagus 1.00 0.37 0.14 0.45 0.34 0.45 0.39 0.61 0.35 0.43 0.59 0.78 0.15

Fungsional 0.37 1.00 -0.10 0.42 0.35 0.06 0.06 0.46 -0.04 0.07 0.40 0.42 -0.13

Kompleks 0.14 -0.10 1.00 -0.10 -0.20 0.46 0.24 -0.03 0.59 0.35 -0.06 0.02 0.70

Proporsional 0.45 0.42 -0.10 1.00 0.46 0.13 0.11 0.49 0.07 0.16 0.55 0.51 -0.07

Teratur 0.34 0.35 -0.20 0.46 1.00 0.01 0.08 0.41 0.03 0.13 0.47 0.40 -0.21

Unik 0.45 0.06 0.46 0.13 0.01 1.00 0.31 0.24 0.50 0.41 0.24 0.40 0.46

Modern 0.39 0.06 0.24 0.11 0.08 0.31 1.00 0.13 0.47 0.67 0.22 0.30 0.23

Nyaman 0.61 0.46 -0.03 0.49 0.41 0.24 0.13 1.00 0.09 0.18 0.57 0.68 -0.01

Mewah 0.35 -0.04 0.59 0.07 0.03 0.50 0.47 0.09 1.00 0.61 0.16 0.22 0.56

Baru 0.43 0.07 0.35 0.16 0.13 0.41 0.67 0.18 0.61 1.00 0.28 0.34 0.33

Serasi 0.59 0.40 -0.06 0.55 0.47 0.24 0.22 0.57 0.16 0.28 1.00 0.70 -0.05

Suka 0.78 0.42 0.02 0.51 0.40 0.40 0.30 0.68 0.22 0.34 0.70 1.00 0.05

Rumit 0.15 -0.13 0.70 -0.07 -0.21 0.46 0.23 -0.01 0.56 0.33 -0.05 0.05 1.00

7

variabel bebas, sebab atau independent variable) dan variabel yang dipengaruhi (disebut juga

variabel terikat, akibat atau dependent variable). Variabel apa yang menjadi variabel

mempengaruhi atau dipengaruhi sepenuhnya ditentukan oleh peneliti/penganalisis, bukan oleh

formula statistik atau software analisis data. Penentuan variabel bebas dan terikat tersebut dalam penelitian kuantitatif merupakan bagian dari hipotesis yang disusun oleh peneliti.

Contoh luaran analisis regresi bivariat dapat dilihat pada diagram 12 dan 13. Pada diagram 12, Rsquare regresi polinomial lebih besar daripada regresi linier, dan RMSE regresi polinomial lebih

kecil daripada regresi linier, karena itu interpretasi bentuk hubungan antara kompleksitas dan

preferensi lebih tepat menggunakan regresi polinomial : kurva lengkung. Kompleksitas tinggi ataupun rendah preferensi akan selalu rendah. Preferensi paling tinggi jika kompleksitas sedang.

Rsquare dan RMSE regresi polinomial ataupun linier pada diagram 13 hampir tidak berbeda,

karena itu hubungan kausal antara keteraturan dan preferensi dapat disimpulkan linier.

Diagram 12 (kiri atas). Regresi linier dan polinomial antara kompleksitas dan preferensi. Sumbu x, data

continuous/interval berskala 1 sangat sederhana s/d 7 sangat kompleks. Sumbu y, data continuous/interval

berskala 1 sangat tidak suka s/d 7 sangat suka. Satu titik mewakili satu objek rumah tinggal yang dievaluasi.

Jumlah total titik/objek 110. 6 dari 116 data (5%) dianggap sebagai outlier dan tidak disertakan dalam

analisis. Data dikumpulkan dari tahun 2005 sampai tahun 2009. Regresi linier (garis lurus): Rsquare 0.200,

RMSE 0.790, significant value <0.01%. Regresi polinomial pangkat dua (garis lengkung): Rsquare 0.410, RMSE 0.682, significant value <0.01%. Rsquare: proporsi varians yang dijelaskan oleh model, semakin

mendekati 1 semakin besar ’porsi dari fenomena’ yang dijelaskan oleh model. RMSE (Root Mean Square

Error): diskrepansi antara predicted value dan actual value, semakin kecil semakin baik.

Diagram 13 (kanan atas). Regresi linier dan polinomial antara keteraturan dan preferensi. Sumbu x, data

continuous/interval berskala 1 sangat tidak teratur s/d 7 sangat teratur. Sumbu y, data continuous/interval

berskala 1 sangat tidak suka s/d 7 sangat suka. Jumlah total titik/objek 109. 7 dari 116 data (6%) dianggap

sebagai outlier dan tidak disertakan dalam analisis. Data dikumpulkan dari tahun 2005 sampai tahun 2009.

Regresi linier (garis lurus): Rsquare 0.370, RMSE 0.717, significant value <0.01%. Regresi polinomial

pangkat dua (garis lengkung): Rsquare 0.370, RMSE 0.721, significant value <0.01%.

Analisis Regresi Multivariat Analisis regresi multivariat melibatkan lebih dari satu variabel sebab, dan digunakan untuk

membandingkan kekuatan pengaruh antara beberapa variabel sebab terhadap variabel akibat.

Dengan demikian akan diketahui variabel sebab yang dominan, kurang dominan atau tidak dominan mempengaruhi variabel akibat. Semakin besar koefisien regresi (umumnya disebut bobot

regresi – regression weight) semakin besar pengaruh terhadap variabel akibat, misalnya dari tabel 2

dapat dilihat bahwa dari tiga variabel sebab, variabel kebaruan paling besar mempengaruhi variabel preferensi (bobot regresi 0.57).

2

3

4

5

6

Su

ka

2 3 4 5 6

Kompleks

2

3

4

5

6

Su

ka

2 3 4 5 6

Teratur

8

Diagram 14 (kanan). Scatter-plot predicted value

dan actual value variabel akibat, dengan variabel

akibat preferensi (tdk suka-suka) dan variabel sebab

kompleksitas (simpel-kompleks), keteraturan (tdk

teratur-teratur), dan kebaruan (lama-baru). 11 dari

116 data (9.5%) dianggap sebagai outlier dan tidak

disertakan dalam analisis. Pada diagram, jika titik

menyebar semakin mendekati garis diagonal, maka

Rsquare akan semakin besar/semakin mendekati

angka 1, dan RMSE (root mean square error)

semakin kecil/semakin mendekati angka 0. Rsquare besar dan RMSE kecil menunjukkan prediksi

semakin tepat (perbedaan antara predicted value dan

actual value semakin kecil). Rsquare disebut juga

coefficient of determination. Rsquare 0.6 dapat

diinterpretasikan kemungkinan 60% dari fenomena

dapat dijelaskan dengan model regresi yang dibuat,

kemungkinan 40% tidak dapat dijelaskan.

Tabel 2 (kanan). Bobot regresi dan significant value regresi multivariat. Bobot regresi masing-masing

variabel sebab tertulis di kolom estimate. Significant

value untuk semua variabel sebab kurang dari 0.00

(lihat kolom paling kanan Prob>ItI).

Analisis Komponen Prinsip dan Analisis Faktor

Analisis komponen prinsip (principal component analysis) digunakan untuk menemukan komponen prinsip (variabel pengganti/variabel laten) yang dapat mewakili variabel terukur dengan

cara mengumpulkan sebanyak mungkin variabilitas (≈porsi fenomena yang dijelaskan) dari semua

variabel terukur pada beberapa komponen prinsip yang utama. Sebagai contoh, tabel 4 memperlihatkan eigenvalue dari 13 komponen prinsip hasil analisis 13 variabel terukur. Dapat

dilihat bahwa 3 komponen prinsip pertama memiliki eigenvalue lebih dari 1 : memiliki porsi

varians/variabilitas melebihi variabel terukur, karena itu digunakan untuk mewakili/menggantikan variabel terukur. 4 komponen prinsip pertama, memiliki cumulative percent 73.12%. Jadi 4

komponen prinsip tersebut dapat merepresentasikan 73.12% porsi kemampuan menjelaskan

fenomena dari 13 variabel terukur. Sehingga, untuk menjelaskan 73.12% fenomena, cukup

menggunakan 4 komponen prinsip (4 variabel laten), tidak perlu menggunakan 13 variabel terukur. Factor loading masing-masing variabel terukur terhadap komponen prinsip diperlihatkan pada

tabel 3. Dapat dilihat hampir semua variabel terukur memberikan kontribusi besar terhadap

komponen prinsip pertama. Hal ini mempermudah analisis seperti preference mapping yang tidak membutuhkan nama komponen prinsip. Tetapi, jika dalam interpretasi analisis dibutuhkan nama

variabel maka selanjutnya dilakukan analisis faktor dengan cara merotasi komponen prinsip secara

ortogonal sehingga antar komponen tidak berkorelasi dan sebanyak mungkin factor loading dari setiap variabel terukur ke setiap komponen prinsip dibuat mendekati 0 (varimax rotation, tabel 5).

Tabel 3. Empat komponen prinsip

utama hasil analisis komponen prinsip

yang tidak dirotasi. Empat komponen

tersebut memiliki jumlah total

persentase eigenvalue sebesar 73,12% (lihat cum. percent pada tabel 1), dengan

proporsi eigenvalue terbesar pada

komponen pertama (4.67). Jumlah total

eigenvalue selalu sama dengan jumlah

total variabel yang dianalisis. Komponen

dengan eigenvalue 4.67, dapat diartikan

bahwa komponen tersebut mewakili

4.67 komponen lain.

1.5

2

2.5

3

3.5

4

4.5

5

5.5

6

Suka

Ac

tua

l

1.5 2 2.5 3 3.5 4 4.5 5 5.5 6

Suka Predicted P<.0001

RSq=0.60 RMSE=0.5411

Term Estimate Std Error t Ratio Prob>|t|

Intercept 1.41 0.50 2.82 0.01

Kompleks -0.36 0.05 -6.91 0.00

Teratur 0.27 0.06 4.44 0.00

Baru 0.57 0.07 8.14 0.00

VARIABEL KOMP. PRINSIP 1 KOMP. PRINSIP 2 KOMP. PRINSIP 3 KOMP. PRINSIP 4

Bagus 0.85 -0.07 0.05 -0.26

Suka 0.84 -0.25 0.10 -0.27

Serasi 0.74 -0.36 0.00 -0.05

Nyaman 0.70 -0.37 0.24 -0.13

Baru 0.62 0.45 -0.48 0.03

Proporsional 0.60 -0.42 0.07 0.31

Unik 0.57 0.45 0.28 -0.24

Kompleks 0.26 0.76 0.32 0.22

Rumit 0.27 0.75 0.36 0.18

Mewah 0.52 0.66 -0.09 0.21

Fungsional 0.47 -0.44 0.15 0.24

Teratur 0.48 -0.48 -0.16 0.48

Modern 0.52 0.38 -0.62 -0.08

9

Tabel 4 (kiri bawah). Nilai eigenvalue analisis komponen prinsip. Tabel 5 (kanan bawah). Faktor/variabel

laten hasil faktor analisis. Factor loading masing-masing variabel terukur terhadap faktor/variabel laten, hasil

rotasi varimax 4 komponen prinsip. Komponen prinsip pada analisis komponen prinsip = faktor/variabel

laten pada analisis faktor.

Analisis Klaster

Analisis klaster digunakan untuk mengelompokkan kategori berdasarkan kemiripan skor dari setiap

kategori, misalnya seperti yang diperlihatkan pada diagram 15 dan 16, dosen pembimbing dikelompokkan berdasarkan kontribusi pengetahuan pada struktur konstruksi dan pada desain.

Posisi dosen pembimbing yang memberikan kontribusi yang hampir sama akan berdekatan.

Diagram 15 (kiri). Dendrogram klaster dosen studio berdasarkan dua variabel KD struktur konstruksi dan

KD desain. KD struktur konstruksi : kontribusi dosen pada pengetahuan struktur konstruksi mahasiswa. KD

desain : kontribusi dosen pada pengetahuan desain mahasiswa.Huruf kapital A, B, C dst merupakan kode

inisial dosen pembimbing studio. Cabang dendrogram menunjukkan pengelompokan dosen yang dievaluasi

cenderung mirip oleh mahasiswa. Cabang semakin pendek dan dekat menunjukkan kemiripan evaluasi dari

dosen yang bersangkutan semakin tinggi.

Diagram 16 (kanan). Scatter-plot klaster dosen studio berdasarkan variabel KD struktur konstruksi dan KD

desain. Sumbu x, angka semakin besar/semakin ke kanan kontribusi dosen pada pengetahuan struktur

konstruksi mahasiswa semakin besar. Sumbu y, angka semakin besar/semakin ke atas kontribusi dosen pada pengetauhan desain mahasiswa semakin besar. Jumlah data yang dianalisis 320, dikumpulkan dengan

kuesioner yang dibagikan ke mahasiswa peserta studio tingkat dua, tiga dan empat semester 1 tahun ajaran

2007/2008. Angka/sumbu 0 merupakan nilai rata-rata.

Method = Ward

A

B

C

D

E

F

G

H

I

J

K

L

M

N

O

P

Q

R

S

T

U

V

W

X

Y

Z

Dendrogram

Hierarchical Clustering

-2

-1.5

-1

-0.5

0

0.5

1

1.5

KD

DE

SA

IN

AB

C

D

E

F

G

H

IJ

K

LM

N

O

P

Q

R

S

T

U

V

W

X

Y

Z

-1.5 -1 -0.5 0 0.5 1 1.5

KD STRUKTUR KONSTRUKSI

Number Eigenvalue Percent Cum Percent

1 4.67 35.90 35.90

2 3.05 23.43 59.34

3 1.06 8.14 67.47

4 0.73 5.64 73.12

5 0.67 5.12 78.24

6 0.52 3.99 82.23

7 0.47 3.65 85.88

8 0.40 3.10 88.98

9 0.35 2.70 91.69

10 0.32 2.50 94.19

11 0.29 2.25 96.43

12 0.28 2.14 98.57

13 0.19 1.43 100.00

VARIABEL PREFERENSI KOMPLEKSITAS KETERATURAN KEBARUAN

Suka 0.85 0.03 0.30 0.19

Bagus 0.79 0.15 0.23 0.30

Nyaman 0.74 0.01 0.40 -0.04

Serasi 0.65 -0.06 0.47 0.18

Kompleks -0.03 0.89 -0.08 0.13

Rumit 0.01 0.88 -0.10 0.09

Mewah 0.08 0.68 0.08 0.53

Unik 0.53 0.58 -0.14 0.19

Teratur 0.13 -0.15 0.81 0.14

Proporsional 0.37 -0.01 0.71 0.04

Fungsional 0.35 -0.04 0.60 -0.10

Modern 0.16 0.11 0.00 0.88

Baru 0.19 0.30 0.09 0.82

10

Structural Equation Modeling (SEM)

SEM digunakan untuk mengetahui hubungan kausal (regresi) dan hubungan langsung-tidak

langsung (path analysis) antar variabel continuous. SEM juga dapat digunakan untuk

membandingkan dan memilih model yang lebih sesuai fenomena (sesuai dengan data) dengan melihat indikator goodness of fit index, misalnya dengan membandingkan besaran angka Chi-

square/DF dan RMSEA dua model pada diagram 17 dan 18, dapat ditentukan bahwa model SEM

diagram 18 lebih baik, dan dapat digunakan untuk menyimpulkan fenomena yang diteliti.

Diagram 17 (kiri) dan Diagram 18 (kanan). Model SEM variabel laten endogenous (dependent) dan

exogenous (independent) evaluasi studio tingkat dua, tiga dan empat semester 1 tahun ajaran 2007/2008.

Variabel endogenous : KM1 (pengetahuan dan ketrampilan desain dan programming mahasiswa), SM2

(motivasi dan antusiasme mahasiswa mengerjakan tugas) dan KD1 (kontribusi dosen pada pengetahuan

desain, rancang tapak dan programming). Variabel exogenuous : SD1 (kemudahan komunikasi, penjelasan

solusi, tingkat motivasi yang diberikan oleh dosen ke mahasiswa) dan SS2 (daya tarik tugas dan waktu yang

dipergunakan). Angka di samping vektor (garis dengan satu panah) merupakan bobot regresi. Angka di

samping garis dengan dua panah saling berlawanan koefisien korelasi. Angka di atas variabel multiple correlation coefficient, yang merupakan indikator besaran total pengaruh variabel exogenous terhadap

variabel endogenous. Chi-square/DF atau RMSEA digunakan untuk mengetahui derajat goodness of fit antara

model dengan data. Chi-square/DF mendekati 1 dan RMSEA mendekati 0 model semakin baik.

KESIMPULAN

Penelitian kuantitatif dilaksanakan untuk memahami fenomena lebih terstruktur dengan

memanfaatkan temuan-temuan baru yang diperoleh dari analisis data. Setiap jenis analisis data

memiliki kemampuan mengungkap temuan berbeda yang tersembunyi di dalam data. Karena itu, pemahaman akan ciri khas temuan dari setiap jenis analisis data merupakan pra-syarat dalam

merencanakan penelitian dan sebelum memulai penelitian. Pemahaman akan beragam jenis analisis

data mempermudah penyusunan strategi pengumpulan data, penentuan tujuan penelitian dan

bahkan perumusan permasalahan dan topik penelitian.

REFERENSI

1. Barbara M. Byrne (2001). Structural Equation Modeling With Amos. Basic Concepts,

Applications, and Programming. London : Lawrence Erlbaum Associates.

2. Grim, L.G. & Yarnold, P.R. (2001). Reading And Understanding Multivariate Statistics. Washington : American Psychological Association.

3. Grim, L.G. & Yarnold, P.R. (2002). Reading And Understanding More Multivariate Statistics.

Washington : American Psychological Association.

4. John W. Creswell (2003). Research Design: Qualitative, Quantitative, and Mixed Method Approaches. London : Sage Publications.

5. Linda Groat & David Wang (2002). Architectural Research Methods. New York : John Wiley

& Sons. Inc.

.21

KD1e3

SS2

.14

SM2

SD1

e2

.27

KM1 e1

.25

.21

.22

.27

.31

.46

Chi-square=2.287 (1 DF)

Chi-square/DF=2.287

RMSEA=.063

.14

.06

-.04

.21

KD1e3

SS2

.14

SM2

SD1

e2

.26

KM1 e1

.25

.21.24 .26

.30

.46

Chi-square=3.704 (3 DF)

Chi-square/DF=1.235

RMSEA=.027

.14