1. Analisis Faktor
Analisis faktor, adalah analisis untuk menentukan variable baru yang disebut faktor yang
jumlahnya lebih sedikit dibandingkan dengan banyaknya variable asli dimana faktor-faktor
tersebut tidak berkorelasi satu dengan yang lain (multikolonearitas). Variabel baru tersebut harus
memuat sebanyak mungkin informasi yang terkandung dalam variable asli. Dalam proses
mereduksi banyaknya variable, informasi yang hilang harus seminimal mungkin.
5
Variabel baru yang disebut faktor, dipergunakan untuk melakukan analisis regresi linear
berganda, dengan variable-variabel bebas yang tidak lagi saling multikolinear yang merupakan
syarat dari analisis regresi linear berganda. Analisis faktor terdiri dari: 1) Principal-component
analysis, dan 2) Common factor analysis.
2. Analisis Klaster
Adalah analisis untuk mengelompokkan elemen yang mirip sebagai objek penelitian
menjadi kelompok (cluster) yang berbeda dan saling asing (mutually exclusive). Berbeda dengan
analisis diskriminan dimana kelompok sudah ditentukan, kemudian suatu fungsi diskriminan
dipergunakan untuk menentuakan suatu elemen (objek) harus masuk kelompok yang mana,
sebaliknya analisis klaster, kelompok (claster) dibentuk berdasarkan criteria tertentu dengan
memperhatikan data yang ada yang ditunjukkan oleh bilai banyak variable.
3. Analisis Korespondensi
Digunakan untuk mengakomodasi dua hal, yaitu: a) data non metric (kualitatif, nominal
dan ordinal); dan b) hubungan non linear. Dalam analisis korespondensi digunakan suatu table
kontingensi, yaitu table silang (crosstab) dari dua variable kategori. Kemudian mengubah data
nonmetrik (kualitatif, nominal dan ordinal) menjadi data metric (kuantitatif, interval dan rasio) dan
melakukan reduksi dimensional (mirip dengan analisis faktor) dan perceptual mapping (mirip
dengan analisis multidimensional).
4. Penskalaan Multidimensi
Bertujuan untuk membentuk pertimbangan atau penilaian pelanggan mengenai kemiripan
(similarity) atau preferensi (perasaan lebih suka) kedalam jarak (distances) yang diwakili dalam
ruang multidimensional. Jika objek A dan B dinilai pelanggan sebagai pasangan objek yang
paling mirip dibandingkan dengan pasangan lain, teknik penskalaan multidimensional akan
memposisikan objek A dan B sedemikian rupa sehingga jarak antar objek dalam ruang
multidimensional akan lebih pendek/kecil dibandingkan dengan jarak pasangan objek yang
lainnya.
Tidak ada komentar:
Posting Komentar