METODOLOGI PENELITIANMETODOLOGI PENELITIAN

SESI 11SESI 11

Korelasi dan REGRESIKorelasi dan REGRESIAnalisis FaktorAnalisis Faktor

KORELASIKORELASI

Analisis ini berguna untuk:Analisis ini berguna untuk:

1. mengetahui apakah diantara dua 1. mengetahui apakah diantara dua variabel terdapat hubungan.variabel terdapat hubungan.

2. Jika terdapat hubungan bagaimana 2. Jika terdapat hubungan bagaimana arah hubungan.arah hubungan.

3. Berapa besar hubungan.3. Berapa besar hubungan.

Jenis KorelasiJenis Korelasi

1. Korelasi Bivariat (berganda)1. Korelasi Bivariat (berganda)

a. Data Interval……Pearsona. Data Interval……Pearson

b. Data Ordinal……Kendal, b. Data Ordinal……Kendal, SpearmenSpearmen

2. Korelasi Parsial2. Korelasi Parsial

KORELASI BIVARIATEKORELASI BIVARIATE

Pearson corr:Pearson corr: Prosedur: Analyze, Correlate, Bivariate, Prosedur: Analyze, Correlate, Bivariate,

masukkan variabel yang diuji, pearson, masukkan variabel yang diuji, pearson, ok.ok.

Output_1Output_1Correlations

1 .734**

. .000

45 45

.734** 1

.000 .

45 45

Pearson Correlation

Sig. (2-tailed)

N

Pearson Correlation

Sig. (2-tailed)

N

Total Penjualan

Promosi Penjualan

TotalPenjualan

PromosiPenjualan

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

1. Hubungan antara Total penjualan Promosi Penjualan dilihat dari angka signifikansi yaitu sebesar 0,000.

Bandingkan dengan 5%, jika sig < 5% maka terdapat hubungan 2. Arah hubungan dilihat dari tanda + atau – didepan angka Pearson Corr. Diketahui bahwa hub positif.3. Besarnya hubungan dilihat dari angka pearson corr. Yaitu 0,7344. Jika promosi meningkat berhubungan dengan peningkatan total penj

sebaliknya

KORELASI PARSIAL KORELASI PARSIAL

Untuk mengetahui hubungan dua Untuk mengetahui hubungan dua variabel dimana ada satu variabel variabel dimana ada satu variabel pengontrol. Yang diasumsikan memiliki pengontrol. Yang diasumsikan memiliki hubungan tetap.hubungan tetap.

Prosedur: Analyze, Correlate, Parsial, Prosedur: Analyze, Correlate, Parsial, masukkan variabel yg ingin dianalisis, dg masukkan variabel yg ingin dianalisis, dg jumlah dealer sbg pengontrol, kmd two jumlah dealer sbg pengontrol, kmd two tails, ok.tails, ok.

Output_2Output_2Correlations

1.000 .648

. .000

0 42

.648 1.000

.000 .

42 0

Correlation

Significance (2-tailed)

df

Correlation

Significance (2-tailed)

df

Total Penjualan

Promosi Penjualan

Control VariablesJumlah Dealer

TotalPenjualan

PromosiPenjualan

1. Hubungan antara Total penjualan Promosi Penjualan dilihat dari angka signifikansi yaitu sebesar 0,000.

Bandingkan dengan 5%, jika sig < 5% maka terdapat hubungan 2. Arah hubungan dilihat dari tanda + atau – didepan angka Pearson Corr. Diketahui bahwa hub positif.3. Besarnya hubungan dilihat dari angka pearson corr. Yaitu 0,6484. Semakin tingginya jml dealer maka kenaikan promosi penjualan

berhubungan dengan peningkatan promosi

PengertianPengertian Analisis regresiAnalisis regresi secara umum adalah secara umum adalah

studi mengenai ketergantungan variabel studi mengenai ketergantungan variabel terikat (dependen) dengan satu atau terikat (dependen) dengan satu atau lebih variabel independen (variabel lebih variabel independen (variabel penjelas/ bebas), dengan tujuan untuk penjelas/ bebas), dengan tujuan untuk mengestimasi dan atau memprediksi mengestimasi dan atau memprediksi rata-rata populasi atau nilai rata-rata rata-rata populasi atau nilai rata-rata variabel dependen berdasar nilai variabel variabel dependen berdasar nilai variabel independen yang diketahui (Gujarati, independen yang diketahui (Gujarati, 2003)2003)

Hasil analisis regresiHasil analisis regresi adalah berupa adalah berupa koefisien untuk masing-masing variabel koefisien untuk masing-masing variabel independen. Koefisien ini diperoleh independen. Koefisien ini diperoleh dengan cara memprediksi nilai variabel dengan cara memprediksi nilai variabel dependen dengan suatu persamaan, dependen dengan suatu persamaan, koefisien regresi dihitung dengan tujuan :koefisien regresi dihitung dengan tujuan :

meminimumkan penyimpangan meminimumkan penyimpangan antara nilai aktual dan nilai estimasi antara nilai aktual dan nilai estimasi variabel dependen berdasarkan data variabel dependen berdasarkan data yang ada (Tabachnic, 1996).yang ada (Tabachnic, 1996).

Regresi Vs KorelasiRegresi Vs Korelasi

Korelasi bertujuan untuk mengukur kekuatan hubungan Korelasi bertujuan untuk mengukur kekuatan hubungan linier antara dua variabel. Korelasi tidak menunjukkan linier antara dua variabel. Korelasi tidak menunjukkan hubungan fungsional atau dengan kata lain analisis hubungan fungsional atau dengan kata lain analisis korelasi tidak membedakan variabel dependen dan korelasi tidak membedakan variabel dependen dan independen.independen.

Dalam regresi, selain mengukur kekuatan hubungan Dalam regresi, selain mengukur kekuatan hubungan dua variabel atau lebih, juga menunjukkan arah dua variabel atau lebih, juga menunjukkan arah hubungan antara variabel dependen dan independenhubungan antara variabel dependen dan independen

Teknik estimasi variabel dependen yang melandasi Teknik estimasi variabel dependen yang melandasi analisis regresi disebut ordinary least squares (OLS). analisis regresi disebut ordinary least squares (OLS). Inti metode OLS adalan mengestimasi suatu garis Inti metode OLS adalan mengestimasi suatu garis regresi dengan jalan meminimalkan jumlah dari kuadrat regresi dengan jalan meminimalkan jumlah dari kuadrat kesalahan setiap observasi terhadap garis tersebut.kesalahan setiap observasi terhadap garis tersebut.

Menilai Goodness of Fit Suatu Menilai Goodness of Fit Suatu ModelModel Ketepatan fungsi regresi sampel dalam menaksir Ketepatan fungsi regresi sampel dalam menaksir

nilai aktual dapat diukur dari nilai aktual dapat diukur dari goodness of fitnyagoodness of fitnya. . Secara statistik, setidaknya dapat diukur dari nilai Secara statistik, setidaknya dapat diukur dari nilai koefisien determinasi (koefisien determinasi (RR22), nilai statistik ), nilai statistik FF dan nilai dan nilai statistik statistik tt. .

Perhitungan statistik disebut signifikan secara Perhitungan statistik disebut signifikan secara statistik apabila uji statistiknya berada dalam statistik apabila uji statistiknya berada dalam daerah kritis (daerah dimana Ho ditolak). daerah kritis (daerah dimana Ho ditolak).

Sebaliknya disebut tidak signifikan bila nilai uji Sebaliknya disebut tidak signifikan bila nilai uji statistiknya berada dalam daeerah dimana Ho statistiknya berada dalam daeerah dimana Ho diterimaditerima

koefisien determinasi (Rkoefisien determinasi (R22)) Koefisien determinasi pada intinya Koefisien determinasi pada intinya

mengukur seberapa jauh kemampuan mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel model dalam menerangkan variasi variabel dependendependen

Uji Signifikansi simultan (F) pada dasarnya Uji Signifikansi simultan (F) pada dasarnya menunjukkan apakah semua variabel menunjukkan apakah semua variabel independen atau bebas yang dimasukkan independen atau bebas yang dimasukkan dalam model memiliki pengaruh secara dalam model memiliki pengaruh secara bersama-sama terhadap variabel dependenbersama-sama terhadap variabel dependen

RegresiRegresi

BergandaBerganda

Model Summary

.825a .680 .665 22.73899Model1

R R SquareAdjustedR Square

Std. Error ofthe Estimate

Predictors: (Constant), Jumlah Dealer, PromosiPenjualan

a.

ANOVAb

46128.611 2 23064.306 44.606 .000a

21716.589 42 517.062

67845.200 44

Regression

Residual

Total

Model1

Sum ofSquares df Mean Square F Sig.

Predictors: (Constant), Jumlah Dealer, Promosi Penjualana.

Dependent Variable: Total Penjualanb.

Uji F SignifikanUji F Signifikan Uji t SignifikanUji t Signifikan

Coefficientsa

-7.013 16.961 -.413 .681

6.757 1.226 .541 5.513 .000

7.486 1.737 .423 4.308 .000

(Constant)

Promosi Penjualan

Jumlah Dealer

Model1

B Std. Error

UnstandardizedCoefficients

Beta

StandardizedCoefficients

t Sig.

Dependent Variable: Total Penjualana.

Analisis FaktorAnalisis Faktor

Variabel / atribut penjualan diteliti :Variabel / atribut penjualan diteliti :1.1.LayoutLayout pertokoan, pertokoan, 2.2.kelengkapan barang yang dijual, kelengkapan barang yang dijual, 3.3.harga barang, harga barang, 4.4.pelayanan karyawan toko, pelayanan karyawan toko, 5.5.pelayanan kasir, pelayanan kasir, 6.6.promosi, promosi, 7.7.imageimage dan dan 8.8.kebersihan.kebersihan.

Analisis FaktorAnalisis Faktor

Analyze, Data reduction, faktor.Analyze, Data reduction, faktor. masukkan variabelnya, kmd pilih diskriptif, isi dengan KMO masukkan variabelnya, kmd pilih diskriptif, isi dengan KMO

danAnti image, extraction=Pricipal Component, Corr danAnti image, extraction=Pricipal Component, Corr matriks, Unrotated FFac solution dan Scree plot. matriks, Unrotated FFac solution dan Scree plot. Eigenvalues dan max iteration tetap. Kmd rotation, Eigenvalues dan max iteration tetap. Kmd rotation, varimax, Rotated sol, Loading plot, iterasi tetapvarimax, Rotated sol, Loading plot, iterasi tetap

KMO and Bartlett's Test

.767

736.406

55

.000

Kaiser-Meyer-Olkin Measure of SamplingAdequacy.

Approx. Chi-Square

df

Sig.

Bartlett's Test ofSphericity

Asumsi yang mendasari dapat tidaknya digunakan Asumsi yang mendasari dapat tidaknya digunakan analisis faktor adalah data matriks harus memiliki analisis faktor adalah data matriks harus memiliki korelasi yg cukup, uji Barlett’s merupakan uji statistik korelasi yg cukup, uji Barlett’s merupakan uji statistik untuk menentukan ada tidaknya korelasi antar variabel untuk menentukan ada tidaknya korelasi antar variabel dapat dilihat dari:dapat dilihat dari:

Angka KMO dan Barlet >0,5Angka KMO dan Barlet >0,5 Signifikansi < 5%Signifikansi < 5%

Jika indikator diatas terpenuhi maka menunjukkan Jika indikator diatas terpenuhi maka menunjukkan bahwa analisis faktor untuk masing-masing quest bahwa analisis faktor untuk masing-masing quest dapat dilanjutkandapat dilanjutkan

MSA (Measure of Sampling Adequacy):MSA (Measure of Sampling Adequacy):-MSA = 1, variabel dp diprediksi tanpa -MSA = 1, variabel dp diprediksi tanpa

kesalahankesalahan-MSA >0,5 dp diprediksi & dianalisis-MSA >0,5 dp diprediksi & dianalisis-MSA<0,5 tdk dapat diprediksi & -MSA<0,5 tdk dapat diprediksi &

dianalisisdianalisis

Anti Image, Anti Image, angka diagonal > 0,5angka diagonal > 0,5

Anti-image Matrices

.583 -.219 .001 -.026 -.105 .117 -.048 -.081 -.072 .101 .048

-.219 .623 -.061 -.058 -.006 -.042 .011 -.020 .094 .005 -.148

.001 -.061 .603 .025 .001 -.048 -.115 -.057 .005 -.020 -.060

-.026 -.058 .025 .417 -.014 .019 -.181 -.071 .028 -.018 -.040

-.105 -.006 .001 -.014 .233 -.182 .051 -.004 .053 -.009 .016

.117 -.042 -.048 .019 -.182 .208 -.051 -.030 -.039 .018 .015

-.048 .011 -.115 -.181 .051 -.051 .291 -.108 -.059 .027 .068

-.081 -.020 -.057 -.071 -.004 -.030 -.108 .405 .036 .006 .059

-.072 .094 .005 .028 .053 -.039 -.059 .036 .802 -.181 -.213

.101 .005 -.020 -.018 -.009 .018 .027 .006 -.181 .826 -.125

.048 -.148 -.060 -.040 .016 .015 .068 .059 -.213 -.125 .750

.712a -.363 .001 -.052 -.284 .336 -.116 -.167 -.105 .145 .072

-.363 .822a -.100 -.113 -.017 -.115 .025 -.039 .133 .007 -.216

.001 -.100 .911a .049 .003 -.134 -.275 -.115 .008 -.028 -.089

-.052 -.113 .049 .832a -.046 .064 -.520 -.172 .049 -.031 -.072

-.284 -.017 .003 -.046 .651a -.824 .196 -.013 .123 -.021 .038

.336 -.115 -.134 .064 -.824 .654a -.208 -.103 -.095 .042 .037

-.116 .025 -.275 -.520 .196 -.208 .780a -.315 -.122 .054 .145

-.167 -.039 -.115 -.172 -.013 -.103 -.315 .911a .064 .010 .107

-.105 .133 .008 .049 .123 -.095 -.122 .064 .581a -.222 -.275

.145 .007 -.028 -.031 -.021 .042 .054 .010 -.222 .802a -.159

.072 -.216 -.089 -.072 .038 .037 .145 .107 -.275 -.159 .694a

x1

x2

x3

x4

x5

x6

x7

x8

x9

x10

x11

x1

x2

x3

x4

x5

x6

x7

x8

x9

x10

x11

Anti-image Covariance

Anti-image Correlation

x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11

Measures of Sampling Adequacy(MSA)a.

Dari tabel diatas, terlihat bahwa angka Dari tabel diatas, terlihat bahwa angka diagonal menunjukkan angka > 0,5 yang diagonal menunjukkan angka > 0,5 yang berarti bahwa seluruh quest dapat diuji berarti bahwa seluruh quest dapat diuji untuk dikelompokkan.untuk dikelompokkan.

Jika terdapat quest yang <0,5 maka Jika terdapat quest yang <0,5 maka quest tersebut dikeluarkan dari analisis, quest tersebut dikeluarkan dari analisis, kemudian dilakukan pengujian ulang kemudian dilakukan pengujian ulang dengan analisis faktor. Pengujian ulang dengan analisis faktor. Pengujian ulang dilakukan Sampai semua angka diagonal dilakukan Sampai semua angka diagonal menunjukkan >0,5menunjukkan >0,5

Lihat varianLihat varian yang dapat menjelaskan komponen yg dibentuk, yang dapat menjelaskan komponen yg dibentuk, pada ekstraksi ke 3, analisis kemudian sudah tdk dapat pada ekstraksi ke 3, analisis kemudian sudah tdk dapat dilanjutkan lagi krn sudah <1 dilanjutkan lagi krn sudah <1

Total Variance Explained

4.263 38.759 38.759 4.263 38.759 38.759 3.241 29.462 29.462

1.481 13.463 52.222 1.481 13.463 52.222 2.079 18.899 48.360

1.245 11.322 63.543 1.245 11.322 63.543 1.670 15.183 63.543

.977 8.885 72.428

.711 6.467 78.895

.674 6.125 85.020

.546 4.960 89.979

.430 3.913 93.892

.341 3.102 96.994

.218 1.979 98.973

.113 1.027 100.000

Component1

2

3

4

5

6

7

8

9

10

11

Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative %

Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings

Extraction Method: Principal Component Analysis.

Tabel diatas menunjukkan bahwa Tabel diatas menunjukkan bahwa ekstraksi dilakukan untuk melihat ekstraksi dilakukan untuk melihat banyaknya pengelompokan, tabel diatas banyaknya pengelompokan, tabel diatas menunjukkan ada 3 kelompokmenunjukkan ada 3 kelompok

Loading masing-masing fakor Loading masing-masing fakor menunjukkan %tase kemampuan menunjukkan %tase kemampuan menjelaskanmenjelaskan

Component matrik, lihat loading yang mana yg besar dan Component matrik, lihat loading yang mana yg besar dan masuk komponen mana.masuk komponen mana.

Component Matrixa

.581 .108 -.398

.607 .185 -.027

.671 .232 .127

.732 .253 -.300

.675 -.182 .618

.710 -.104 .632

.810 .216 -.229

.819 .086 -.146

-.220 .713 .087

-.344 .556 .300

-.341 .635 .166

x1

x2

x3

x4

x5

x6

x7

x8

x9

x10

x11

1 2 3

Component

Extraction Method: Principal Component Analysis.

3 components extracted.a.

Rotated semakin memperjelas pengelompokkanRotated semakin memperjelas pengelompokkan

Rotated Component Matrixa

.689 -.043 -.175

.572 .276 -.004

.573 .434 .066

.822 .103 -.055

.196 .896 -.173

.248 .918 -.107

.839 .208 -.090

.759 .297 -.188

.056 -.120 .739

-.200 .012 .691

-.107 -.108 .724

x1

x2

x3

x4

x5

x6

x7

x8

x9

x10

x11

1 2 3

Component

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

Rotation converged in 5 iterations.a.