Mahir Statistik Multivariat

dengan SPSS

Sanksi Pelanggaran Pasal 113 Undang-Undang Nomor 28 Tahun 2014 tentang Hak Cipta

1. Setiap Orang yang dengan tanpa hak melakukan pelanggaran hak ekonomi sebagaimana dimaksud dalam Pasal 9 ayat (1) huruf i untuk Penggunaan Secara Komersial dipidana dengan pidana penjara paling lama 1 (satu) tahun dan/atau pidana denda paling banyak Rp100.000.000 (seratus juta rupiah).

2. Setiap Orang yang dengan tanpa hak dan/atau tanpa izin Pencipta atau pemegang Hak Cipta melakukan pelanggaran hak ekonomi Pencipta sebagaimana dimaksud dalam Pasal 9 ayat (1) huruf c, huruf d, huruf f, dan/atau huruf h untuk Penggunaan Secara Komersial dipidana dengan pidana penjara paling lama 3 (tiga) tahun dan/atau pidana denda paling banyak Rp500.000.000,00 (lima ratus juta rupiah).

3. Setiap Orang yang dengan tanpa hak dan/atau tanpa izin Pencipta atau pemegang Hak Cipta melakukan pelanggaran hak ekonomi Pencipta sebagaimana dimaksud dalam Pasal 9 ayat (1) huruf a, huruf b, huruf e, dan/atau huruf g untuk Penggunaan Secara Komersial dipidana dengan pidana penjara paling lama 4 (empat) tahun dan/atau pidana denda paling banyak Rp1.000.000.000,00 (satu miliar rupiah).

4. Setiap Orang yang memenuhi unsur sebagaimana dimaksud pada ayat (3) yang dilakukan dalam bentuk pembajakan, dipidana dengan pidana penjara paling lama 10 (sepuluh) tahun dan/atau pidana denda paling banyak Rp4.000.000.000,00 (empat miliar rupiah).

Mahir Statistik Multivariat

dengan SPSS

Singgih Santoso

PENERBIT PT ELEX MEDIA KOMPUTINDO

Mahir Statistik Multivariat dengan SPSS Singgih Santoso 2018 PT Elex Media Komputindo, Jakarta Hak cipta dilindungi undang-undang Diterbitkan pertama kali oleh Penerbit PT Elex Media Komputindo Kelompok Gramedia, Anggota IKAPI, Jakarta 2018

nadhia@elexmedia.id

ID 718051071

ISBN 9786020477169 (Printed)

Dilarang keras menerjemahkan, memfotokopi, atau memperbanyak sebagian atau seluruh isi buku ini tanpa izin tertulis dari penerbit.

Isi di luar tanggung jawab percetakan

Dicetak oleh Percetakan PT Gramedia, Jakarta

vii

Daftar Isi Kata Pengantar ................................................................................................. v Daftar isi ........................................................................................................... vii Bab 1: Pendahuluan ......................................................................................... 1

1.1. Peran Teknologi Informasi .............................................................................. 3

1.4. Pengertian Analisis Multivariat ....................................................................... 8

1.5. Jenis Data dalam Analisis Multivariat ............................................................. 9

1.6. Klasifikasi Metode Statistik Multivariat .......................................................... 12

1.7. Isi File pada Buku Statistik Multivariat ........................................................... 14

Bab 2: Uji dan Seleksi Data ............................................................................. 17

2.1. Jenis dan Cara Pengujian Data ......................................................................... 18

2.2. Missing Data Analysis ....................................................................................... 18

2.3. Perlakuan Terhadap Missing Data .................................................................. 31

2.4. Uji Data Outlier ................................................................................................ 35

2.5. Uji Normalitas Data ......................................................................................... 49

Bab 3: Analisis Faktor ...................................................................................... 69

3.1. Hal-Hal tentang Analisis Faktor ..................................................................... 70

3.2. Proses Dasar Analisis Faktor ............................................................................ 71

3.3. Tahap Pertama Analisis Faktor: Menilai Variabel yang Layak ....................... 75

3.4. Tahap Kedua Analisis Faktor: Proses Factoring dan Rotasi .......................... 90

3.5.Tahap Ketiga Analisis Faktor: Validasi Faktor .............................................. 108

3.6. Tahap Keempat Analisis Faktor: Membuat Factor Scores .......................... 118

viii

Bab 4: Analisis Cluster .................................................................................. 123

4.1. Hal-Hal Pokok tentang Analisis Cluster ...................................................... 125

4.2. Analisis Cluster: K-Means Cluster ................................................................ 130

4.3. Hierarchical Cluster ...................................................................................... 146

4.4. Crosstab dan Grafik untuk Output Cluster ................................................. 158

Bab 5: Analisis Diskriminan ........................................................................ 169

5.1. Hal-Hal Pokok tentang Analisis Diskriminan ............................................ 172

5.2. Analisis Diskriminan Dua Faktor ................................................................. 176

5.3. Analisis Diskriminan Tiga Faktor ................................................................. 201

5.4. Logistic Regression ........................................................................................ 221

Bab 6: Manova............................................................................................... 233

6.1. Hal-Hal Pokok tentang MANOVA .............................................................. 234

6.2. General Linear Model (GLM) ....................................................................... 237

6.3. MANOVA (Factorial Design) ....................................................................... 248

6.4. MANOVA (GLM Multivariat) ..................................................................... 256

6.5. Custom Model .............................................................................................. 268

Bab 7: Korelasi Kanonik ............................................................................... 277

7.1. Hal-Hal Pokok tentang Korelasi Kanonik................................................... 278

7.2. Contoh Aplikasi Korelasi Kanonik ............................................................... 280

Bab 8: Conjoint Analysis .............................................................................. 299

8.1. Hal-Hal Pokok tentang Conjoint Analysis ................................................... 299

8.2. Kasus Conjoint Analysis (1) .......................................................................... 302

8.3. Kasus Conjoint Analysis (2) .......................................................................... 321

1

Bab 1 Pendahuluan

Saat ini analisis multivariat mulai banyak diaplikasikan dalam berbagai

bidang ilmu, sebagai pelengkap analisis statistik univariat dan statistik

bivariat dalam analisis data. Seiring dengan kemajuan di bidang teknologi

informasi, statistik multivariat dipastikan akan menggantikan peran

pengolahan dan analisis data dari analisis univariat dan bivariat, walaupun

tidak akan dapat menggantikannya secara total. Namun demikian,

sesungguhnya tidak mudah untuk mengartikan secara tepat apa itu statistik

multivariat; untuk itu, sebuah ilustrasi sederhana berikut diberikan agar

pengertian secara umum dapat diperoleh terlebih dahulu.

Misalkan ada sebuah restoran yang laris dan selalu dipenuhi pengunjung,

apalagi pada hari sabtu-minggu dan hari libur nasional; sejak buka di siang

hari, restoran tersebut tidak pernah sepi pengunjung, baik mereka yang

datang secara individu, bersama teman maupun keluarga. Pada jam sibuk,

para pengunjung bahkan rela antri untuk mendapatkan menu mereka.

Pertanyaan yang muncul biasanya adalah: apa yang menjadi daya tarik para

pengunjung? Mengapa mereka selalu menyempatkan diri ke tempat tersebut

jika waktunya memungkinkan? Mengapa restoran atau warung makan lain

yang menjual menu masakan yang sama dan ada di sekitar restoran tersebut

tidak selaris restoran ini? Pertanyaan-pertanyaan tersebut cukup kompleks,

dan tidak mudah untuk menjawab dengan satu dua kalimat.

Jika akan dilakukan riset untuk menjawab sebagian dari pertanyaan-

pertanyaan diatas, masalah riset dapat diringkas menjadi: faktor-faktor

apakah yang membuat restoran tersebut laris? Jika masalah riset tersebut

diurai lebih rinci lagi, dapat menjadi: variabel-variabel apakah yang

membuat restoran tersebut dipenuhi pengunjung?

2

Sejumlah (variabel) penyebab dapat dikemukakan, seperti pelayanan yang

memuaskan, letak yang strategis, adanya diskon pada menu-menu tertentu,

suasana restoran yang menyenangkan, harga yang sesuai dengan kualitas,

rasa masakan yang enak, dan sejumlah faktor lainnya. Sedangkan (variabel)

‘akibat’ yang terjadi adalah jumlah pengunjung yang banyak atau loyalitas

pelanggan yang tinggi.

Secara ringkas, dapat dikatakan ada banyak variabel yang terlibat di dalam

kasus ini; pertanyaan kemudian adalah bagaimana hubungan yang ada di

antara variabel-variabel yang cukup banyak tersebut? Apakah harga yang

murah menjadi variabel utama yang berpengaruh pada jumlah pengunjung?

Apakah rasa masakan yang membuat pengunjung demikian banyak? Adakah

hubungan antara lokasi strategis dengan jumlah pengunjung? Demikian

seterusnya ada berbagai kombinasi hubungan yang jika dikembangkan lagi

akan menjadi kompleks.

Jika menggunakan statistik univariat yang hanya menggunakan satu variabel,

maka alat-alat statistik univariat yang selama ini dikenal, seperti uji t atau

ANOVA, jelas tidak memadai untuk menjelaskan hubungan antar variabel

seperti pada kasus diatas. Sebagai contoh, uji t hanya mampu menjelaskan

apakah pengunjung di hari senin berbeda dengan di hari selasa; uji F

(ANOVA) pun hanya mampu menguji perbedaan loyalitas pelanggan antara

pelanggan dari keluarga, pelanggan individu dan pelanggan yang datang

bersama teman. Kedua alat tersebut mempunyai keterbatasan untuk dapat

mengupas sebab-akibat lebih jauh lagi.

Demikian pula dengan alat-alat statistik bivariat; metode seperti korelasi atau

regresi sederhana hanya mampu menjelaskan hubungan dua variabel.

Contoh analisis korelasi dan regresi adalah: apakah ada hubungan antara

loyalitas pelanggan dengan jumlah pengunjung restoran? Apakah ada

hubungan antara letak restoran dengan jumlah pelanggan? Apakah harga

berpengaruh pada naik-turunnya jumlah pengunjung? Serta contoh-contoh

lain yang hanya melibatkan dua variabel dari kasus di atas.

Masakan enak

Suasana nyaman

Harga murah

Menu lengkap

.............. dst

Pengunjung banyak

3

Alat-alat statistik univariat dan bivariat tersebut tentu berguna untuk

menjelaskan hubungan antar variabel atau antar grup dalam satu variabel.

Namun semuanya hanya menjelaskan sebagian hubungan yang sifatnya

parsial; tidak mungkin alat-alat itu dapat menjelaskan hubungan yang

kompleks secara komprehensif. Padahal, dalam kenyataannya perilaku

seseorang justru bersifat simultan; loyalitas seorang pelanggan lebih masuk

akal bila dipengaruhi oleh harga murah, rasa masakan yang enak, lokasi yang

strategis dan sejumlah faktor lain yang dipikirkan oleh pelanggan tersebut

secara bersamaan. Jarang seorang pelanggan akan loyal hanya karena

lokasinya yang strategis; ia akan mempertimbangkan juga faktor lain yang

menurutnya relevan dalam pengambilan keputusan belinya.

Dengan demikian, harusnya ada metode statistik yang dapat

mempertimbangkan sekian banyak faktor untuk menjelaskan hubungan

yang terjadi dalam sebuah fenomena sosial atau alam yang kompleks.

Metode itu dinamakan statistik multivariat. Kata ‘multi’ menunjukkan

kemampuan metode tersebut, dan sekaligus juga ciri dari metode itu, untuk

mengolah sekian variabel secara bersama-sama untuk menjawab persoalan

statistik tertentu.

Selain dalam ilmu sosial seperti contoh diatas, statistik multivariat banyak

digunakan dalam bidang ilmu lain yang mengharuskan sejumlah variabel

dianalisis secara simultan. Pada bidang pertanian, pertumbuhan tanaman

tidak dapat dikatakan disebabkan satu faktor saja, misalkan jumlah pupuk

yang diberikan. Selain pupuk, banyak variabel lain yang berpengaruh, seperti

asupan air, sinar matahari, faktor cuaca, kesuburan tanah, ketrampilan

bertani seseorang dan ketrampilan teknis lainnya. Pada bidang kesehatan,

banyak faktor yang secara bersama-sama berdampak pada kesehatan tubuh

manusia, seperti asupan lemak, asupan karbohidrat, asupan vitamin dan

mineral, tingkat stres seseorang, jam tidur setiap hari, dan faktor-faktor

lainnya.

1.1. Peran Teknologi Informasi

Jika memang banyak fenomena atau masalah penelitian melibatkan banyak

variabel yang seharusnya dianalisis secara simultan, lalu mengapa dalam

praktek banyak pengolahan data hanya melibatkan satu dua variabel saja?

Pada masa lalu, saat teknologi informasi belum berkembang, penggunaan

metode statistik yang ‘sederhana’ seperti uji t atau uji F mungkin saja terjadi.

Hal ini dikarenakan statistik multivariat membutuhkan banyak perhitungan

matematis yang tidak memungkinkan dilakukan secara manual.

4

Sebagai misal, metode regresi sederhana dan regresi berganda; regresi

sederhana, yang hanya melibatkan satu variabel dependen dan satu variabel

independen, sering digunakan dalam praktek karena proses pencarian

koefisien regresi cukup sederhana. Dengan menambah satu variabel

independen, disebut dengan regresi berganda, proses penghitungan menjadi

kompleks. Jika variabel independen menjadi tiga atau lebih, kemampuan

penghitungan manual menjadi hampir tidak mungkin dilakukan. Demikian

pula dengan banyak metode multivariat lain, seperti analisis faktor, analisis

diskriminan, yang tingkat kompleksitasnya dapat melebihi metode regresi

berganda.

Namun perkembangan teknologi informasi di tahun 1990 an, khususnya di

bidang software statistik, memungkinkan proses penghitungan metode

multivariat dilakukan dengan cepat dan tepat. Software seperti SPSS, Eviews

atau Minitab dapat memproses data multivariat dalam jumlah puluhan

bahkan ratusan dengan hasil yang memuaskan. Bahkan pengembangan

software SPSS sudah merambah pada kegiatan data mining dan neural

network, yang merupakan ‘kelanjutan’ dari multivariat, dengan tingkat

kompleksitas yang lebih tinggi lagi.

Dalam praktek, hampir semua metode multivariat, kecuali regresi berganda

dengan melibatkan hanya dua variabel independen, tidak mungkin

diselesaikan lewat perhitungan manual. Semuanya mengandalkan teknologi

informasi, dalam hal ini adalah software statistik, untuk pengolahan datanya;

apa yang dulu tidak dapat dibayangkan oleh para ahli statistik karena

keterbatasan manusia, menjadi mungkin dan mudah di era informasi

sekarang ini. Karena metode multivariat melibatkan banyak variabel, maka

perhitungannya menjadi jauh lebih kompleks dibandingkan analisis yang

hanya menggunakan satu atau dua variabel. Dalam hal ini, walaupun ada

berbagai teori, seperti teori faktor, teori diskriminan dan sebagainya, dalam

praktek teori-teori tersebut akan sangat sulit diaplikasikan tanpa bantuan

komputer.

1.2. Penggunaan Metode Statistik Univariat,

Bivariat dan Multivariat

Namun demikian, hal ini tidak berarti semua pengolahan data statistik harus

dilakukan dengan metode statistik multivariat. Memang banyak fenomena

yang seharusnya dilihat secara ‘total’ dengan melibatkan banyak variabel,

namun hal ini tidak berarti metode univariat atau bivariat sudah tidak

diperlukan lagi!

5

Banyak tujuan pengolahan data yang sifatnya sederhana dan tidak perlu

melibatkan banyak variabel; satu dua variabel sudah cukup untuk

menyelesaikan masalah tersebut.

Metode univariat untuk parametrik adalah uji t, uji z, dan anova; untuk nonparametrik adalah uji runs, uji binomial, uji Kolmogorov-Smirnov dan lainnya. Sedangkan metode bivariat untuk parametrik adalah uji korelasi dan regresi sederhana, dan untuk nonparametrik adalah uji korelasi Spearman, uji korelasi Kendal dan lainnya.

Secara sederhana hal ini dapat dianalogikan dengan upaya membasmi

nyamuk; secara ‘teoritis,’ ada berbagai cara untuk itu, seperti menggunakan

obat nyamuk, alat semacam ‘raket’ listrik, pemukul nyamuk, tangan kosong,

bahkan ‘bom’ sekalipun! Obat nyamuk pun bervariasi, seperti obat nyamuk

bakar, semprot atau oles tangan (pencegahan). Mana yang paling tepat

digunakan? Sebenarnya tidak ada yang paling tepat, namun dicari alat yang

paling efektif dalam kondisi tertentu. Jika hanya ada satu dua nyamuk yang

berseliweran di sekitar muka kita, tangan kosong pun mungkin sudah cukup;

namun jika jumlah nyamuk cukup banyak di dalam sebuah ruangan, ‘raket’

listrik dapat dipertimbangkan. Namun jika jumlah nyamuk sudah banyak

dan menganggu, obat nyamuk adalah yang paling efektif. Tentu saja sebuah

‘bom’ untuk ratusan nyamuk pun jelas tindakan berlebihan!

Demikian pula dengan kegiatan pengolahan data. Jika tujuan pengolahan

data bersifat sederhana dan praktis, statistik univariat seperti uji t atau anova

sudah sangat memadai. Dalam praktek justru kedua uji ini sangat efektif.

Seorang manajer penjualan yang ingin mengetahui perbedaan penjualan

produk merk X di empat kabupaten yang berbeda cukup menggunakan

anova; manajer tersebut sudah dapat mengambil kesimpulan apakah rata-

rata penjualan di empat kabupaten tersebut berbeda secara signifikan

ataukah tidak. Karena tujuannya hanya mengetahui ada tidak perbedaan

penjualan, data yang dibutuhkan hanyalah penjualan pada periode tertentu;

ia tidak memerlukan data kepuasan konsumen, data biaya promosi, data

sewa outlet, atau bahkan data pertumbuhan penduduk di empat kabupaten

tersebut!

Data penjualan

merek X di empat

kabupaten

Penjualan

beda/tidak? ANOVA

6

Namun demikian, jika kemudian manajer tersebut menemukan adanya

perbedaan penjualan, lalu memutuskan untuk menganalisis lebih dalam lagi,

ia dapat menambah dengan data selain data penjualan. Misalkan manajer

penjualan tersebut sekarang ingin mengetahui apakah kepuasan konsumen,

biaya promosi yang besar dan pertumbuhan penduduk yang cukup pesat di

sebuah daerah mempengaruhi penjualan; untuk itu, ia membutuhkan

banyak variabel, dan metode Anova sudah tidak mungkin menangani tujuan

pengolahan data semacam itu. Ia dapat beralih ke metode statistik

multivariat yang lebih kompleks, seperti metode regresi berganda.

Contoh lain: jika ingin diketahui apakah jumlah pupuk mempengaruhi

tinggi tanaman, dan seberapa jauh pengaruh tersebut. Untuk masalah seperti

ini, cukup digunakan analisis korelasi dan regresi sederhana, yang termasuk

analisis bivariat. Atau jika ingin diketahui apakah jumlah penduduk Jakarta

yang miskin berbeda dengan jumlah penduduk Surabaya yang miskin, hal ini

cukup dianalisis dengan t test paired. Hal ini dapat pula dianalogikan bahwa

walaupun sebuah pesawat terbang mampu mengangkut sejumlah besar

orang ke tempat yang jauh dengan sangat cepat, namun jika seseorang dari

Jakarta ingin pergi ke Tangerang, menggunakan bis kota atau mobil atau

bahkan sepeda motor jauh lebih efisien daripada naik pesawat terbang (jika

itu dimungkinkan).

Contoh-contoh sederhana diatas sekedar menggambarkan bahwa teknologi

informasi memang telah berperan besar dalam mempertajam dan

memperdalam analisis data; namun demikian hal ini tidak akan membuat

metode statistik sederhana seperti uji t atau anova menjadi tidak diperlukan

lagi. Setiap metode mempunyai karateristik dan kompleksitas yang berbeda,

yang pada akhirnya tergantung pada tujuan analisis serta kompleksitas

masalah yang dihadapi.

Data penjualan

Data kepuasan

konsumen

....dll

Penjualan merek X

Regresi ganda

7

1.3. Software Statistik yang Digunakan

Seperti telah dijelaskan, pengembangan teknologi informasi, khususnya di

bidang software, telah memungkinkan pengolahan data dengan berbagai

metode multivariat dilakukan. Saat ini banyak software statistik yang dapat

digunakan untuk hal itu, seperti SPSS, Eviews, Minitab, SAS, Statistica, dan

lainnya. Khusus untuk analisis model struktural (structural equation

modelling/SEM), dapat digunakan software AMOS, Lisrel, atau PLS.

Semua software tersebut, dengan kelebihan dan kekurangan masing-masing,

pada dasarnya sudah sangat memadai untuk mengolah data dan dilengkapi

dengan berbagai metode multivariat ‘standar.’ Perkecualian hanya untuk

Eviews yang memang didesain untuk analisis data ekonomi (makro) dan

lebih powerful pada jenis data panel; hal ini berbeda dengan software SPSS

atau Minitab yang memang lebih tepat digunakan untuk pengolahan data

bidang manajemen dan bisnis.

SPSS dipilih sebagai software yang digunakan untuk pengolahan data

multivariat pada buku ini; pemilihan lebih dikarenakan fakta bahwa SPSS

adalah software statistik terpopuler di dunia, termasuk di Indonesia. SPSS

sejak awal memang berkomitmen mengembangkan prosedur statistik yang

dapat digunakan pada bidang bisnis, mulai dari yang sederhana, cukup

kompleks seperti multivariat, metode SEM (dengan mengakuisisi software

AMOS), sampai aplikasi data mining lewat software Clementine. Keunggulan

lain adalah tampilan SPSS yang sudah ‘setara’ dengan Excel, bahkan dalam

pengolahan grafik-grafik statistiknya sudah melampaui software andalan

Microsoft tersebut; selain itu, penggunaan menu-menu di SPSS sangat user

friendly, lebih mudah dan simpel dibandingkan Minitab yang mengharuskan

pengguna membuka banyak window.

Saat buku ini direvisi, software SPSS terbaru yang dirilis adalah SPSS 24. Namun demikian, data yang digunakan dalam buku ini bisa diproses dengan SPSS versi terdahulu (misal SPSS 17, SPSS 18, dan seterusnya); output yang diperoleh praktis sama, baik menggunakan SPSS versi terdahulu ataupun SPSS versi terbaru (SPSS 24). Perbedaan yang mungkin timbul dengan yang ditampilkan di buku ini lebih pada beda tampilan dan format output, namun isi dan interpretasi tidak ada yang berbeda.

Namun sebelum membahas lebih jauh berbagai metode multivariat dan cara

pengolahan datanya dengan SPSS, berikut dijelaskan terlebih dahulu

pemahaman tentang analisis multivariat.

8

1.4. Pengertian Analisis Multivariat

Secara umum, analisis multivariat atau metode multivariat berhubungan

dengan metode-metode statistik yang secara bersama-sama (simultan)

melakukan analisis terhadap lebih dari dua variabel pada setiap obyek atau

orang. Jadi bisa dikatakan analisis multivariat merupakan perluasan dari

analisis univariat (seperti uji t) atau bivariat (seperti metode korelasi dan

regresi sederhana).

Analisis multivariat adalah analisis multi variabel dalam satu atau lebih hubungan. Analisis ini berhubungan dengan semua teknik statistik yang secara simultan menganalisis sejumlah pengukuran pada individu atau obyek.

Sebagai contoh, jika dilakukan analisis regresi sederhana, dengan satu

variabel Y dan satu variabel X, maka analisis seperti itu dikatakan bivariat,

karena ada dua (bi) variabel, X dan Y. Sedangkan, jika dilakukan analisis

regresi berganda, dengan satu variabel Y. dan dua variabel X (X1 dan X2),

maka analisis sudah bisa dikatakan multi variat, karena ada tiga variabel (Y,

X1 dan X2).

Variat bisa didefinisikan sebagai suatu kombinasi linier dari variabel-variabel dengan bobot variabel yang ditentukan secara empiris.

Sebagai contoh, ada persamaan regresi berganda:

Nilai variat=w1.X1+w2.X2+w3.X3+…+wn.X

Disini X

n

n adalah variabel yang telah ditentukan oleh peneliti, sedang wn

Dalam praktek, jenis data – atau bisa juga disebut jenis variabel- menentukan

metode multivariat mana yang akan digunakan. Secara praktis, harus

diketahui terlebih dahulu termasuk jenis data manakah X

adalah hasil dari proses multivariat. Nilai variat adalah hasil dari proses

perkalian dan penjumlahan w dan X, yang menghasilkan suatu nilai variat

tertentu.

1 itu? termasuk

jenis data manakah X2

Untuk itu berikut akan dibahas terlebih dahulu beragam jenis data yang

secara teoritis ada dalam praktek.

itu? Demikian seterusnya. Kesalahan dalam memilih

metode yang cocok berdasar jenis datanya akan berakibat hasil pengolahan

data menjadi bias. Hal ini berlaku juga pada pemilihan metode statistik

multivariat, sebagaimana hal ini telah berlaku pada pemilihan metode

statistik univariat dan bivariat.

387

TeNTANG pENULIS

Singgih Santoso adalah lulusan program Magister Manajemen Universitas

Indonesia dan program Doktor bidang Manajemen Universitas Gadjah

Mada, yang sekarang bekerja sebagai dosen, trainer, dan konsultan

manajemen.

Email: singgih.santoso@gmail.com

Catatan:

Untuk melakukan pemesanan buku, hubungi Layanan Langsung PT Elex Media Komputindo: Gramedia Direct Jl. Palmerah Barat No. 33, Jakarta 10270 Telemarketing/CS: 021-53650110/111 ext: 3901/3902 Email: cs@gramediapublishers.com Layanan online: www.gramediashop.com