ANALISIS FAKTOR

Analisis faktor adalah metode untuk mengetahui interdependensi (saling mempengaruhi) antar variabel independen. Dalam sebuah data yang besar dengan banyak variabel independen, misalnya 15 variabel independen (15 sebagai angka contoh, bisa kurang atau bisa lebih dari itu), bisa jadi sebenarnya 15 variabel tersebut hanya mewakili 1 atau 2 faktor dasar yang sama. Analisis faktor digunakan untuk mereduksi variabel sehingga persamaan menjadi lebih efektif dan simpel.

Contoh: Dalam penelitian pengaruh iklan online terhadap peningkatan konsumsi, variabel 1 iklan di platform video (youtube), variabel 2 iklan di media sosial (tiktok, ig), variabel 3 iklan di webpage, ketiganya bisa jadi sebagai observed variable mewakili 1 faktor lokasi iklan terkait traffic tinggi; sedangkan variabel lain semisal frekuensi dan durasi masih menjadi unobserved variable. Observed variable adalah variabel yang disertakan dalam penelitian, dan unobserved variable adalah variabel yang tidak diteliti.

Berikut penjelasan dalam PPT dan modul mengerjakan dengan SPSS beserta Data dan output latihan 

https://drive.google.com/drive/folders/1XlUSjtRBCE-ZwFglWs3xWXxKGMqHFJRJ?usp=share_link

ANALISIS KLASTER

Analisis klaster adalah metode statistik dalam penelitian yang memungkinkan peneliti untuk mengelompokkan atau mengelompokkan sekumpulan objek ke dalam kluster-kluster kecil namun berbeda yang berbeda karakteristiknya dari kluster-kluster lain yang berbeda. Tema yang mendasari dalam analisis data eksplorasi membantu merek, organisasi, dan peneliti memperoleh wawasan dari data visual untuk melihat tren dan memvalidasi hipotesis dan asumsi eksplisit.

Metode analisis dalam penelitian ini umumnya didasarkan pada analisis data statistik yang digunakan di berbagai bidang, termasuk pengenalan pola, pembelajaran mesin, manajemen wawasan dalam riset pasar, scrubbing data, bioinformatika, dan banyak lagi.

Tujuan dari analisis klaster adalah untuk menemukan kelompok objek dengan perubahan perilaku yang berbeda tetapi di mana karakteristik yang mendasari dan hal-hal tersebut berada dalam kelompok kontrol yang sama. Contoh yang sangat baik dari metode penelitian ini adalah bank yang menggunakan data kualitatif dan kuantitatif untuk memplot tren dalam pemrosesan klaim di antara klien. Menggunakan analisis klaster membantu mereka menyimpulkan klaim penipuan dan lebih memahami perilaku konsumen.

Metode Analisis Cluster

Analisis klaster membantu peneliti dan ahli statistik untuk memahami data secara lebih mendalam dan membuat keputusan yang lebih baik. Sementara data dapat menjadi bagian dari penelitian kualitatif atau penelitian kuantitatif, analisis data masih dilakukan dalam platform penelitian di mana data diplot pada grafik. Namun, seperti disebutkan di atas, berbagai metode analisis klaster digunakan untuk memenuhi kebutuhan penelitian.

Namun, penting untuk dicatat bahwa metode pengelompokan perlu dipilih secara eksperimental kecuali ada penalaran matematis yang sesuai dengan cara tertentu. Mari kita lihat metode analisis cluster yang paling umum digunakan.

Analisis klaster dibagi menjadi dua metode yaitu metode hirarki dan metode non- hirarki. Metode hirarki dibagi menjadi dua, yaitu metode aglomeratif dan metode difisif. Pada metode agglomeratif, langkah pertama masing-masing obyek pengamatan dijadikan sebagai kelompok yang memiliki satu anggota setiap kelompok.

PATH ANALISIS (ANALISIS JALUR)

Siapa yang disini sering mendengar tentang path analysis? Sahabat data disini pasti belum familiar dengan analisis yang satu ini. Kalau bisa dibilang analisis ini tergolong analisis yang baru dan mulai diterapkan sebagai alat analisis dalam bidang ilmu sosial. Sebenarnya path analysis ini merupakan pengembangan korelasi yang diurai menjadi beberapa interpretasi akibat yang ditimbulkannya. 

Sewall Wright adalah seorang ahli genetika yang mengembangkan path analysis untuk membuat kajian hipotesis hubungan sebab akibat dengan menggunakan korelasi. Lebih lanjut, path analysis mempunyai kedekatan dengan regresi berganda; atau dengan kata lain, regresi berganda merupakan bentuk khusus dari path analysis. Teknik ini juga dikenal sebagai model sebab-akibat (causing modeling). Penamaan ini didasarkan pada alasan bahwa analisis jalur memungkinkan pengguna dapat menguji proposisi teoritis mengenai hubungan sebab dan akibat tanpa memanipulasi variabel-variabel. Memanipulasi variabel maksudnya ialah memberikan perlakuan (treatment) terhadap variabel-variabel tertentu dalam pengukurannya. 

Asumsi dasar model ini ialah beberapa variabel sebenarnya mempunyai hubungan yang sangat dekat satu dengan lainnya. Dalam perkembangannya saat ini path analysis diperluas dan diperdalam kedalam bentuk analisis (Structural Equation Modeling) atau dikenal dengan singkatan SEM. Tidak heran jika analisis ini tergolong ke dalam penerapan dari statistik parametrik. 

Path analysis memungkinkan peneliti melakukan analisis model-model yang lebih kompleks yang tidak bisa dilakukan oleh regresi linier berganda. Path analysis juga dapat digunakan untuk mengetahui hubungan langsung maupun tidak langsung, salah satunya melalui variabel intervening. Analisis jalur mempresentasikan hubungan kausal antar variabel dalam bentuk gambar agar semakin mudah dibaca. Penggambaran ini dilakukan untuk menjelaskan hubungan yang terjadi baik variabel dependen maupun independen ataupun hubungan lain terhadap variabel moderasinya. Berbeda dari analisis data regresi yang hanya mempengaruhi secara langsung. Analisis jalur mampu menganalisis data hubungan tidak langsung antar-variabel. Akibat dari keterbatasan yang dimiliki oleh analisis regresi linear berganda, maka analisis jalur atau path analysis ini dapat mengcover semua yang diperlukan untuk keperluan analisis data berdasarkan nilai yang nantinya akan dibandingkan terhadap taraf signifikansinya. Seperti apa sih lebih jelasnya mengenai analisis jalur ini? Mari kita cari tahu lebih dalam. Pada artikel DQLab kali ini, kita akan membahas lebih dalam terkait analisis jalur atau path analysis nih sahabat data. Dengan harapan bisa menjadi tambahan insight dan rekomendasi bagi kalian calon praktisi data, peneliti maupun data enthusiast. Jangan lewatkan artikel berikut ini, pastikan simak baik-baik, stay tune and keep scrolling on this article guys!